3 502
Подписчики
Нет данных24 часа
-187 дней
-5330 дней
Загрузка данных...
Похожие каналы
![[PYTHON:TODAY]](https://cdn.tlmtr.io/_next/image?url=https%3A%2F%2Fimg.tlmtr.io%2Fc%2F1e8JKN%2F5465241907756731355%3Fty%3Dx&w=96&q=75){kind=small}
Облако тегов
Входящие и исходящие упоминания
---
---
---
---
---
---
Привлечение подписчиков
сентябрь '26
сентябрь '260
в 0 каналах
август '26
+3
в 0 каналах
Get PRO
июль '26
+3
в 0 каналах
Get PRO
июнь '26
+27
в 0 каналах
Get PRO
май '26
+3
в 0 каналах
Get PRO
апрель '26
+3
в 0 каналах
Get PRO
март '26
+1
в 0 каналах
Get PRO
февраль '26
+917
в 0 каналах
Get PRO
январь '260
в 0 каналах
Get PRO
декабрь '25
+4
в 0 каналах
Get PRO
ноябрь '25
+9
в 0 каналах
Get PRO
октябрь '25
+4
в 0 каналах
Get PRO
сентябрь '25
+2
в 0 каналах
Get PRO
август '25
+40
в 0 каналах
Get PRO
июль '25
+45
в 0 каналах
Get PRO
июнь '25
+55
в 0 каналах
Get PRO
май '25
+52
в 0 каналах
Get PRO
апрель '25
+47
в 0 каналах
Get PRO
март '25
+56
в 0 каналах
Get PRO
февраль '25
+77
в 0 каналах
Get PRO
январь '25
+138
в 0 каналах
Get PRO
декабрь '24
+121
в 0 каналах
Get PRO
ноябрь '24
+147
в 0 каналах
Get PRO
октябрь '24
+198
в 0 каналах
Get PRO
сентябрь '24
+91
в 0 каналах
Get PRO
август '24
+152
в 0 каналах
Get PRO
июль '24
+96
в 0 каналах
Get PRO
июнь '24
+106
в 0 каналах
Get PRO
май '24
+115
в 0 каналах
Get PRO
апрель '24
+118
в 0 каналах
Get PRO
март '24
+103
в 0 каналах
Get PRO
февраль '24
+101
в 2 каналах
Get PRO
январь '24
+135
в 0 каналах
Get PRO
декабрь '23
+99
в 1 каналах
Get PRO
ноябрь '23
+130
в 1 каналах
Get PRO
октябрь '23
+194
в 0 каналах
Get PRO
сентябрь '23
+255
в 0 каналах
Get PRO
август '23
+300
в 0 каналах
Get PRO
июль '23
+283
в 0 каналах
Get PRO
июнь '23
+200
в 0 каналах
Get PRO
май '23
+239
в 0 каналах
Get PRO
апрель '23
+244
в 0 каналах
Get PRO
март '23
+324
в 0 каналах
Get PRO
февраль '23
+342
в 0 каналах
Get PRO
январь '23
+466
в 0 каналах
Get PRO
декабрь '22
+399
в 0 каналах
Get PRO
ноябрь '22
+574
в 0 каналах
Get PRO
октябрь '22
+480
в 0 каналах
Get PRO
сентябрь '22
+469
в 0 каналах
Get PRO
август '22
+464
в 0 каналах
Get PRO
июль '22
+581
в 0 каналах
Get PRO
июнь '22
+566
в 0 каналах
Get PRO
май '22
+697
в 0 каналах
Get PRO
апрель '22
+1 771
в 0 каналах
| Дата | Привлечение подписчиков | Упоминания | Каналы | |
| 03 сентября | 0 | |||
| 02 сентября | 0 | |||
| 01 сентября | 0 |
Посты канала
| 2 | Неонами гори (2).mp3 | 115 |
| 3 | https://habr.com/ru/companies/ods/articles/1075370/ | 141 |
| 4 | Никогда не сдавайтесь.mp3 | 178 |
| 5 | Знание удел печали.mp3 | 243 |
| 6 | Вихри враждебные (2).mp3 | 281 |
| 7 | ПофигИн (1).mp3 | 395 |
| 8 | https://huggingface.co/unsloth/Qwen3.8-27B-GGUF | 390 |
| 9 | Негативные твари.mp3 | 432 |
| 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. | 431 |
| 11 | Вам нравятся мои песенки?
Выкладывать их ещё или не надо?
Лайк если надо, приведение если нет | 67 |
| 12 | Металлический ребёнок.mp3 | 331 |
| 13 | Полезные проги в виде обычных Html файлов | 349 |
| 14 | Магия в каждом.mp3 | 349 |
| 15 | Нэо, отдай нам глаза.mp3 | 352 |
| 16 | Наверное я дерево.mp3 | 362 |
| 17 | Струны крепче.mp3 | 336 |
| 18 | Береги огонь.mp3 | 346 |
| 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 |  Нет текста... | 367 |
