/ Модель

Характеристики

Контекст
512 токенов
Параметры
77,5 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Базовая модель
deberta-v3-xsmall
Библиотека
transformers
Опубликована
25 июн 2026

secrets-sentinel-xsmall-c2p

Классификация текстаТекст → label7 профессий

Экспериментальная англоязычная модель классификации строк для быстрого обнаружения секретов в коде и конфигурациях.

75скачиваний за 30 дней0лайковвеса обновлены25 июн 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

hypn05 разработала Secrets Sentinel xsmall-c2p-v1 — экспериментальную англоязычную модель для бинарной классификации строк кода и конфигураций на наличие секретов. Она основана на microsoft/deberta-v3-xsmall и дообучена на наборе data_v10. Архитектура DeBERTa-v2 для классификации последовательностей использует только компонент позиционного внимания c2p; модель содержит 77,5 млн параметров по метаданным, а длина контекста составляет 512 токенов.

Модель предназначена для поиска ключей и других секретов в репозиториях, например в проверках pre-commit, GitHub Actions и pre-receive hooks. В README заявлена скорость примерно в 5,3 раза выше базового варианта, однако на коротких идентификаторах Terraform отмечены ложные срабатывания. Автор рекомендует использовать эту версию для исследований и сравнения скорости, а для production — xsmall-v1. Лицензия MIT.

Сценарии применения

  • поиск ключей доступа в исходном коде
  • проверка конфигураций Terraform на наличие секретов
  • обнаружение случайно закоммиченных паролей и токенов
  • проверка строк в pre-commit хуках и CI
  • классификация строк как содержащих секрет или безопасных

Ограничения

Экспериментальная версия даёт ложные срабатывания на коротких идентификаторах Terraform; автор рекомендует не использовать её в production и выбирать xsmall-v1. Контекст ограничен 512 токенами.

Для каких профессий подходит7

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

Secrets Sentinel — xsmall-c2p-v1 (deberta-v3-xsmall (c2p only))

Variant of hypn05/secrets-sentinel Architecture: deberta-v3-xsmall (c2p only) · Parameters: 70M · Speed: 5.3× vs base · pos_att_type: c2p only (p2c dropped at init)

Experimental variant. c2p-only position attention (p2c weights dropped before fine-tuning). Full fine-tune on data_v10. Fastest variant but 5 false positives on short Terraform identifiers (e.g. identifier = "mydb") vs 0 for xsmall-v1. Use xsmall-v1 for production; this variant is for research/speed benchmarking.

Benchmark (test_cases_realistic · 700 lines · 9 scenarios · private_key excluded)

ModelF1PrecRecFPms/lineSpeedup
base v5.0.0 (reference)1.00001.00001.000000.938ms1×
xsmall-c2p-v1 (this model)see notes—1.0000see notes~5.3× faster5.3×

Usage

from transformers import pipeline

detector = pipeline("text-classification", model="hypn05/secrets-sentinel-xsmall-c2p")

lines = [
    "AWS_SECRET_ACCESS_KEY = 'wJalrXUtnFEMI/K7MDENG/bPxRfiCYEXAMPLEKEY'",
    "password = os.environ.get('DB_PASSWORD')",
    "uses: docker/login-action@5e57cd118135c172c3672efd75eb46360885c0ef",
    "DB_PASSWORD=null",
]

for line, result in zip(lines, detector(lines)):
    label = "SECRET" if result["label"] == "LABEL_1" else "safe  "
    print(f"[{label}] {result['score']:.1%}  {line[:70]}")

Expected output:

[SECRET] 100.0%  AWS_SECRET_ACCESS_KEY = 'wJalrXUtnFEMI/K7MDENG/bPxRfiCYEXAMPLEKEY'
[safe  ]   0.0%  password = os.environ.get('DB_PASSWORD')
[safe  ]   0.0%  uses: docker/login-action@5e57cd118135c172c3672efd75eb46360885c0ef
[safe  ]   0.0%  DB_PASSWORD=null

Parent model

See hypn05/secrets-sentinel for full documentation, integration examples (pre-receive hooks, GitHub Actions, pre-commit), training data details, and complete benchmark numbers across all variants.

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
DebertaV2ForSequenceClassification
Ревизия весов
9f6a0c6

0 моделей