Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Библиотека: transformers
Опубликована: 14 июл 2026

Ссылки

Hugging Face

bert-phishing-classifier

bukhanovskyi

Классификация текстаТекст → label

Дообученная англоязычная BERT-модель для классификации текста и выявления фишинговых сообщений.

6скачиваний за 30 дней0лайковвеса обновлены14 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

bukhanovskyi/bert-phishing-classifier — англоязычная модель классификации текста, разработанная на основе google-bert/bert-base-uncased и дообученная для выявления фишинговых сообщений. Она предназначена для проверки текста на признаки фишинга, например для предварительной фильтрации сообщений или интеграции в систему обнаружения угроз. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает текст длиной до 512 токенов.

В README приведены результаты оценки: accuracy 0,873 и AUC 0,952; сведения о наборе данных и более подробной методике оценки отсутствуют. Распространяется по лицензии Apache-2.0.

Сценарии применения

проверка текста сообщения на признаки фишинга
фильтрация подозрительных электронных писем
предварительная классификация текстовых сообщений для системы защиты от фишинга

Ограничения

README не описывает обучающий набор данных и ограничения применения; приведённые метрики относятся к оценочному набору, детали которого не сообщаются. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-phishing-classifier

This model is a fine-tuned version of google-bert/bert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.2877
Accuracy: 0.873
Auc: 0.952

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 0.0002
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Auc
0.4892	1.0	263	0.3822	0.822	0.923
0.3957	2.0	526	0.3464	0.847	0.938
0.3737	3.0	789	0.3060	0.876	0.943
0.3495	4.0	1052	0.3601	0.847	0.946
0.3447	5.0	1315	0.3223	0.862	0.948
0.3260	6.0	1578	0.3037	0.878	0.95
0.3073	7.0	1841	0.2917	0.869	0.949
0.3272	8.0	2104	0.2894	0.878	0.951
0.3149	9.0	2367	0.2805	0.876	0.952
0.3030	10.0	2630	0.2877	0.873	0.952

Framework versions

Transformers 5.13.1
Pytorch 2.12.1
Datasets 5.0.0
Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: da08162