/ Модель

Характеристики

Контекст
512 токенов
Параметры
152 млн
Архитектура
bert · dense
Опубликована
17 янв 2025

CTI-BERT

Заполнение пропусковТекст → текст3 профессии

Предобученная BERT-модель IBM Research для предсказания замаскированных токенов и последующего дообучения на задачах классификации текстов по кибербезопасности.

4 012скачиваний за 30 дней9лайковвеса обновлены17 янв 2025

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

CTI-BERT — предобученная языковая модель семейства BERT для текстов по кибербезопасности. Разработчик — IBM Research. Модель содержит 151,6 млн параметров, использует архитектуру BertForMaskedLM и словарь из 50 000 токенов. Она обучена с нуля на корпусе примерно из 1,2 млрд токенов: новостях о безопасности, описаниях уязвимостей, книгах, научных публикациях и статьях Википедии по теме безопасности. В метаданных указан контекст 512 токенов; в README длина последовательности модели описана как 256 токенов.

Основной режим работы — masked language modeling: модель предсказывает замаскированные токены. Её также можно использовать для получения векторных представлений токенов и дообучать для классификации текстов и последовательностей или ответов на вопросы в области кибербезопасности. Для текстов общего назначения модель не предназначена. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Сценарии применения

  • предсказание пропущенных токенов в текстах о кибербезопасности
  • дообучение классификатора новостей и публикаций по безопасности
  • классификация описаний уязвимостей
  • получение векторных представлений токенов из текстов по кибербезопасности
  • дообучение для ответов на вопросы по материалам о безопасности

Ограничения

Модель не предназначена для текстов общего назначения; для downstream-задач её предполагается дообучать. В README указана длина последовательности 256 токенов, тогда как метаданные указывают контекст 512 токенов.

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

CTI-BERT

CTI-BERT is a pre-trained language model for the cybersecurity domain. The model was trained on a large corpus of security-related text data, comprising approximately 1.2 billion tokens sourced from a diverse range of sources, including security news articles, vulnerability descriptions, books, academic publications, and security-related Wikipedia pages.

For additional technical details and the model's performance metrics, please refer to this paper.

Model description

This model has a vocabulary of 50,000 tokens and the sequence length of 256. Both the tokenizer and the BERT model were trained from scratch using the run_mlm script with the Masked language modeling (MLM) objective.

Intended uses & limitations

You can use the model for masked language modeling or token embedding generation, but the model is aimed at being fine-tuned on a downstream task, such as sequence classification, text classification or question answering.

The model has shown improved performance for various cybersecurity text classification. However, it is not designed to be used as the main model for general-domain text.

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0005
  • train_batch_size: 128
  • eval_batch_size: 128
  • seed: 42
  • gradient_accumulation_steps: 16
  • total_train_batch_size: 2048
  • optimizer: Adam with betas=(0.9,0.98) and epsilon=1e-06
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 10000
  • training_steps: 200000

Framework versions

  • Transformers 4.18.0
  • Pytorch 1.12.1+cu102
  • Datasets 2.4.0
  • Tokenizers 0.12.1

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
4cd0a0e

0 моделей