/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Опубликована
21 июн 2026

distilbert-insecure-output

Классификация текстаТекст → label5 профессий

Дообученный классификатор DistilBERT выявляет опасные инъекционные полезные нагрузки в текстовом выводе LLM.

18скачиваний за 30 дней0лайковвеса обновлены11 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Builder117 разработала дообученный классификатор на базе DistilBERT для обнаружения опасных фрагментов в текстах, сгенерированных LLM. Модель относит текст к классу SAFE или MALICIOUS и предназначена для проверки вывода перед его показом пользователям или передачей другим системам.

Классификатор выявляет признаки XSS, SQL- и командных инъекций, обхода путей и UNION-атак. Его можно встроить в конвейер проверки безопасности вывода LLM; модель также описана как часть набора LLM Threat Shield для обнаружения угроз OWASP LLM Top 10. Архитектура — DistilBERT для классификации последовательностей, формат весов — safetensors, максимальная длина контекста — 512 токенов. Указан английский язык, лицензия Apache-2.0.

Модель может пропускать закодированные полезные нагрузки, не учитывает контекст построения запросов и способна ошибочно помечать документацию по безопасности, в которой цитируются атакующие строки.

Сценарии применения

  • проверка ответов LLM на XSS перед показом пользователю
  • обнаружение SQL-инъекций в сгенерированном коде и запросах
  • фильтрация командных инъекций в выводе языковой модели
  • поиск обхода путей и UNION-атак в сгенерированном тексте

Ограничения

Закодированные полезные нагрузки могут обходить обнаружение; модель не учитывает контекст параметризации SQL и может давать ложные срабатывания на документации, цитирующей атакующие строки.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-insecure-output

Fine-tuned DistilBERT classifier that detects dangerous payloads in LLM-generated output.

Covers OWASP LLM Top 10 — LLM02: Insecure Output Handling.

What it detects

Malicious code or injection payloads that an LLM might generate, including:

  • Cross-site scripting (XSS): <script>alert(document.cookie)</script>
  • SQL injection: '; DROP TABLE users; --
  • Command injection: | cat /etc/passwd
  • Path traversal: ../../etc/shadow
  • UNION-based SQL attacks

Labels

LabelIDMeaning
SAFE0Safe output (normal text, parameterized queries, sanitized code)
MALICIOUS1Dangerous payload detected

Usage

from transformers import pipeline

clf = pipeline("text-classification", model="Builder117/distilbert-insecure-output")

clf("<script>alert(document.cookie)</script>")
# [{'label': 'MALICIOUS', 'score': 0.98}]

clf("SELECT * FROM products WHERE id = ?")
# [{'label': 'SAFE', 'score': 0.97}]  # parameterized — safe

Training

  • Base model: distilbert-base-uncased
  • Positive class: XSS payloads, SQL injection strings, command injection, path traversal
  • Negative class: parameterized queries, sanitized code, normal text, safe SQL

Limitations

  • Encoded payloads (base64, HTML entities, hex encoding) may evade detection
  • Context-blind: cannot determine if SQL is parameterized vs. raw string concatenation from text alone
  • May produce false positives on security documentation that quotes attack strings

Part of

LLM Threat Shield — OWASP LLM Top 10 detection suite.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DistilBertForSequenceClassification
Ревизия весов
92ddf1c

0 моделей