Gemma 4 E4B Unsloth Phishing Merged
Standalone model produced by merging the LoRA adapter
Dospacite/gemma4-e4b-unsloth-phishing into
unsloth/gemma-4-E4B-it.
Expected assistant output is compact JSON with label, confidence, and
explanation.
Характеристики
- Контекст
- 131 072 токена
- Размер весов
- 15,9 ГБ
- Архитектура
- gemma4 · dense
- Базовая модель
- gemma-4-E4B-it
- Библиотека
- transformers
- Опубликована
- 11 июн 2026
Ссылки
gemma4-e4b-unsloth-phishing-merged
Дообученная Gemma 4 E4B Instruct для выявления фишинга в тексте с ответом в компактном JSON и объяснением.
28скачиваний за 30 дней0лайковвеса обновлены11 июн 2026
Бенчмарки
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Тесты пользователейпока нет
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
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
Dospacite/gemma4-e4b-unsloth-phishing-merged — самостоятельная модель, созданная слиянием LoRA-адаптера для выявления фишинга с базовой Gemma 4 E4B Instruct от Unsloth. Она предназначена для анализа входного текста и выдачи компактного JSON с меткой, оценкой уверенности и объяснением, чтобы классифицировать потенциальные фишинговые сообщения и пояснять решение. Модель основана на плотной архитектуре Gemma 4 и поддерживает диалоговый режим; в метаданных указан формат safetensors.
Размер, длина контекста и поддерживаемые естественные языки в предоставленных источниках не приведены. Лицензия в предоставленных данных не указана.
Сценарии применения
- проверка сообщений на признаки фишинга
- классификация подозрительных писем и сообщений
- получение оценки уверенности при обнаружении фишинга
- формирование краткого объяснения решения для разбора инцидента
Ограничения
Ожидаемый ответ имеет компактный JSON-формат с полями label, confidence и explanation; качество за пределами задачи обнаружения фишинга не подтверждено. Язык входных данных и лицензия в предоставленных источниках не указаны.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
II.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232моделиIV.2Отраслевые задачиБанки, платежи и инвестицииAI помогает управлять финансовым риском, платежами, инвестиционным анализом и обслуживанием клиентов.37 задач1 723моделиII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · transformers
Подбираем GPU…
- Класс архитектуры
- Gemma4ForConditionalGeneration
- Ревизия весов
- dc831af