/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Архитектура
modernbert · dense
Базовая модель
ModernBERT-base
Опубликована
2 янв 2025

CyberSec-Text-Classification-ModernBert-Base

Классификация текстаТекст → label3 профессии

Бинарный классификатор на ModernBERT, который определяет, относится ли текст к кибербезопасности, для фильтрации документов и веб-корпусов.

63скачиваний за 30 дней0лайковвеса обновлены24 апр 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

CyberSec-Text-Classification-ModernBert-Base — модель бинарной классификации текстов, разработанная авторами проекта RedSage из Khalifa University, University of Bonn и University of Milan. Она дообучена на ModernBERT-base и определяет, относится ли документ к кибербезопасности или нет. Модель предназначена для фильтрации больших неструктурированных веб-корпусов и отбора материалов для исследований и подготовки данных для языковых моделей в области кибербезопасности.

Модель использует архитектуру ModernBERT encoder-only, содержит 149 млн параметров и принимает контекст длиной до 8192 токенов. В README приведены результаты проверки на 2460 примерах из веб-статей: точность 97,3%, precision 92,8% и recall 90,2%. Обучающие данные включают размеченные публикации Reddit, StackExchange, arXiv и веб-статьи; метки получены из категорий, тегов и ключевых слов источников.

Модель может хуже работать на очень коротких текстах и материалах о новых угрозах, не представленных в данных до конца 2024 года. README указывает, что модель выпущена как часть ресурсов проекта RedSage с открытым исходным кодом, но конкретный идентификатор лицензии не приводит.

Сценарии применения

  • отбор статей по кибербезопасности из веб-корпуса
  • фильтрация документов для подготовки обучающих данных по кибербезопасности
  • классификация текстов на материалы по кибербезопасности и прочие темы

Ограничения

Модель может быть неоднозначна на очень коротких текстах, которые исключались при фильтрации данных. Данные отражают тенденции веб-контента до конца 2024 года, поэтому новые угрозы могут быть представлены недостаточно.

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

Model Card: Cybersecurity Text Classifier (ModernBERT-base)


Model Details

  • Model Type: Binary text classification model developed for domain-specific content filtering.
  • Architecture: Based on ModernBERT-base, a bidirectional transformer encoder optimized for efficiency and long-context performance.
  • Domain: Cybersecurity vs. Non-Cybersecurity.
  • License: Released as part of the open-source RedSage project resources.

Intended Use

  • Primary Use Case: Identifying cybersecurity-relevant documents within large-scale, unstructured web corpora such as FineWeb.
  • Application: Filtering approximately 17.2 trillion tokens from Common Crawl subsets (2013–2024) to curate the 11.7B-token CyberFineWeb corpus.
  • Intended Users: Researchers and developers focused on domain continual pretraining for cybersecurity LLMs.

Training Data

  • Source Dataset: Cybersecurity Topic Classification dataset.
  • Data Origin: Labeled samples collected from Reddit, StackExchange, and arXiv, alongside web articles.
  • Dataset Size:
    • Pre-processing: 9.27M training samples and 459K validation samples.
    • Post-filtering: Reduced to 4.62M training samples and 2.46K validation samples after removing very short texts to minimize ambiguity.
  • Labeling Method: Derived from forum categories, tags, and keyword metadata rather than LLM-generated annotations.

Training Procedure

  • Optimizer: Adam optimizer.
  • Learning Rate: 2e-5.
  • Schedule: 10% warmup ratio over 2 training epochs.
  • Hardware: Implementation utilized the ModernBERT-base encoder as the foundation for the binary head.

Evaluation Results

The model was evaluated on a validation set of 2,460 samples derived from web articles, achieving the following metrics:

MetricScore
Accuracy97.3%
Precision92.8%
Recall90.2%
F1 Score91.4%

Limitations & Risks

  • Context Sensitivity: While highly accurate, the model was specifically filtered to exclude very short texts to avoid context ambiguity.
  • Temporal Bias: The model identifies cybersecurity content based on trends observed in web data up to late 2024; emerging threats post-2024 may not be represented.
  • Dual-Use Concerns: The classifier is designed to identify offensive security technical content, which carries an inherent risk of misuse if applied outside of defensive or educational research.

Citation

@inproceedings{suryanto2026redsage,
  title={RedSage: A Cybersecurity Generalist {LLM}},
  author={Naufal Suryanto and Muzammal Naseer and Pengfei Li and Syed Talal Wasim and Jinhui Yi and Juergen Gall and Paolo Ceravolo and Ernesto Damiani},
  booktitle={The Fourteenth International Conference on Learning Representations},
  year={2026},
  url={https://openreview.net/forum?id=W4FAenIrQ2}
}

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
ModernBertForSequenceClassification
Ревизия весов
d417113

0 моделей