/ Модель

Характеристики

Контекст
8 194 токена
Параметры
659 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Базовая модель
bge-m3
Библиотека
sentence-transformers
Опубликована
13 авг 2026

sec-embedding

ЭмбеддингиТекст → embedding3 профессии

Дообученная на BAAI/bge-m3 модель эмбеддингов для плотного поиска по CVE и материалам о кибербезопасности.

493скачиваний за 30 дней1лайквеса обновлены6 сен 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.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. 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

DuyTa/sec-embedding — дообученная на базе BAAI/bge-m3 модель эмбеддингов для плотного поиска по материалам о CVE и кибербезопасности. Она использует архитектуру XLM-RoBERTa и схему bi-encoder; размер модели — 658,7 млн параметров, размерность эмбеддингов — 1024, длина контекста — до 8194 токенов. Модель предназначена для кодирования запросов и фрагментов документов в векторы, чтобы находить релевантные сведения о CVE, слабостях и эксплойтах; её можно включать в конвейер поиска вместе с гибридным поиском и реранжированием.

Обучение проводилось на парах запросов и релевантных фрагментов CVE с трудными отрицательными примерами из локального индекса Qdrant. В README заявлены английский и вьетнамский языки, а также показатель Hit Rate@10 98,78% на тестовом наборе из 1000 примеров в составе полного конвейера. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • Поиск релевантных CVE по описанию уязвимости
  • Поиск сведений о CWE, продуктах и серьёзности уязвимости
  • Поиск похожих записей об уязвимостях по текстовому запросу
  • Получение кандидатов для гибридного поиска и последующего реранжирования

Ограничения

Оценка Hit Rate@10 приведена для полного конвейера поиска, реранжирования и LLM на тестовом наборе из 1000 примеров, поэтому её нельзя считать изолированной оценкой этой модели. Обучающие запросы охватывают английский и вьетнамский языки; качество на других языках не установлено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

sec-embedding

This is a fine-tuned version of BAAI/bge-m3 for CVE / cybersecurity dense retrieval.

It was trained on a CVE investigation-trajectory dataset with hard-negative mining from a local Qdrant collection (cve_kb, NVD/MITRE core chunks). It is not a raw copy of the base checkpoint. It is the retriever component of the secAI stack, paired with DuyTa/sec-rerank and DuyTa/Cyber-F1-AWQ.

Training

From notebooks/BGE_M3_Colab.ipynb:

BaseBAAI/bge-m3 via Unsloth FastSentenceTransformer (unsloth/bge-m3)
RoleBi-encoder / dense retriever (1024-d, same geometry as bge-m3)
AdapterLoRA, r=32, modules key, query, value, dense
LossCachedMultipleNegativesRankingLoss (InfoNCE, in-batch hard negatives)
Enginesentence-transformers SentenceTransformerTrainer
Max sequence length1024
Learning rate2e-5, bf16

Each example is a (query, positive) pair:

  • Query — CVE investigation trajectory (Vietnamese or English) over CVE-ID, CWE, product, severity, year, CAPEC / ATT&CK, filled from real KB metadata.
  • Positive — matching CVE passage from local Qdrant cve_kb.
  • Hard negatives — other CVE documents in the same mini-batch, all mined from that Qdrant index (near-miss CVEs: similar wording, wrong ID).

Dataset source field: Qdrant cve_kb (NVD/MITRE). Split: 40k train / 5k validation.

Training corpus

Built from five years of authoritative cybersecurity sources: NVD (173,473 CVEs), MITRE CWE (768 weakness types, mapped to ~92% of CVEs), CAPEC/ATT&CK (443/174 entries) and Exploit-DB (3,139 exploits, 2021–2026). Public datasets: DuyTa/Cyber_F1_v2, DuyTa/cve-kgrag-db.

Training hardware: 2×A100 80GB.

Acceptance (nghiệm thu) — reported KPIs

Measured on NVIDIA A100 80GB in the full production chatflow (Hybrid Search → Rerank → LLM), on a 1,000-sample security test set (40% CVE identification/classification, 40% remediation advice, 20% real-world scenario reasoning):

MetricResultTargetPass
Retrieval quality — Hit Rate@1098.78%> 96%✅
Throughput2,662 emb/s (concurrency 32)≥ 1,200 emb/s✅

Raw per-sample logs (embedding-hit-rate-at-10.jsonl) and evaluation code are delivered with the acceptance package.

Usage

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("DuyTa/sec-embedding")
query_emb = model.encode("CVE-2021-44228 impact on log4j", normalize_embeddings=True)
doc_emb = model.encode(passage, normalize_embeddings=True)

Rebuild the Qdrant index with this checkpoint. Mixing vectors with vanilla BAAI/bge-m3 drops recall.

Attribution & license

Released under Apache-2.0. Derived from BAAI/bge-m3 (MIT License); the MIT notice of the base model is retained and credit for the base weights belongs to the BAAI authors.

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
f39e9e5

0 моделей