/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
bsl-1.0
Архитектура
modernbert · dense
Базовая модель
ModernBERT-base
Библиотека
transformers
Опубликована
31 дек 2025

pasteproof-pii-detector-v2

Разметка токеновТекст → label8 профессий

Дообученная ModernBERT-модель размечает персональные данные и секреты в тексте, чтобы помочь обнаруживать утечки до публикации или сохранения.

557скачиваний за 30 дней1лайквеса обновлены2 янв 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

PasteProof PII Detector — модель на базе ModernBERT, дообученная автором joneauxedgar для обнаружения и разметки персональных данных и секретов в тексте. Она выполняет NER с классификацией токенов и распознаёт 27 типов сущностей, включая платёжные данные, учётные данные и медицинские идентификаторы. Модель предназначена для предупреждений перед вставкой чувствительных данных в браузерные формы, чаты и публичные репозитории, а также для проверки кода, документов и потоков данных.

В карточке заявлен F1 0,972 на отложенной выборке; обучение проводилось на 150 тысячах синтетических примеров. Метаданные указывают архитектуру ModernBERT, 149 млн параметров и контекст до 8192 токенов, тогда как README сообщает ограничение в 512 токенов — фактический рабочий предел следует проверять при использовании. Обучающие данные англоязычные; модель может пропускать обфусцированные значения, новые форматы ключей и чувствительные сущности, распознаваемые только по контексту, а также давать ложные срабатывания на случайных строках и тестовых данных. Это вспомогательный детектор, а не гарантия безопасности. Лицензия — Business Source License 1.0 (BSL-1.0).

Сценарии применения

  • предупреждение об утечке секретов при вставке текста в браузере или IDE
  • поиск API-ключей и паролей в коде перед коммитом
  • обнаружение платёжных и медицинских данных в документах
  • редактирование персональных данных перед записью чатов в логи
  • фильтрация чувствительных данных в потоках обработки текста

Ограничения

Модель обучена на синтетических англоязычных данных и может пропускать обфусцированные или новые форматы секретов, а также чувствительные сущности, требующие контекста; возможны ложные срабатывания. README указывает лимит 512 токенов, а метаданные — 8192, поэтому предел контекста требует проверки; детектор не заменяет управление секретами.

Для каких профессий подходит8

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

PasteProof PII Detector v3

A fine-tuned ModernBERT model for detecting Personally Identifiable Information (PII) in text before it's accidentally leaked.

Model Description

This model performs Named Entity Recognition (NER) to identify 27 types of sensitive information commonly found in code, configuration files, chat messages, and documents.

Base model: answerdotai/ModernBERT-base
Task: Token Classification (NER)
Training data: 150K synthetic examples with intentional variation to prevent overfitting
F1 Score: 0.97 on held-out test set

Detected Entity Types

CategoryEntities
Financial (PCI-DSS)CREDIT_CARD, PCI_PAN, PCI_TRACK, PCI_EXPIRY
Security CredentialsAPI_KEY, AWS_KEY, PRIVATE_KEY, PASSWORD
Healthcare (HIPAA)HIPAA_MRN, HIPAA_ACCOUNT, HIPAA_DOB
European (GDPR)GDPR_PASSPORT, GDPR_NIN, GDPR_IBAN
IdentityNAME, FIRST_NAME, LAST_NAME, SSN, DOB, DRIVER_LICENSE
ContactEMAIL, PHONE, IP_ADDRESS
AddressSTREET, CITY, STATE, ZIPCODE

API Key Formats Detected

Stripe (sk_live_, pk_test_), OpenAI (sk-), Anthropic (sk-ant-), GitHub (ghp_, github_pat_), Slack (xoxb-), AWS (AKIA...), SendGrid (SG.), and generic patterns.

Intended Uses

✅ Primary use case: Browser extension or IDE plugin that warns users before pasting sensitive data into web forms, chat apps, or public repositories.

✅ Other valid uses:

  • Pre-commit hooks to scan for secrets
  • Chat/support systems to redact PII before logging
  • Document scanning for compliance (HIPAA, GDPR, PCI-DSS)
  • Data pipeline filtering

Limitations

⚠️ Not a security guarantee. This model is a helpful tool, not a replacement for proper secrets management.

⚠️ False negatives are possible. The model may miss:

  • Obfuscated or encoded secrets
  • PII in languages other than English
  • Novel API key formats not in training data
  • Context-dependent PII (e.g., a name that's only sensitive in certain contexts)

⚠️ False positives may occur on:

  • UUIDs and transaction IDs that resemble API keys
  • Test/example data that looks real
  • Random strings in code

⚠️ Known limitations:

  • Trained on synthetic data, may not perfectly match real-world distribution
  • 512 token context limit (longer texts should be chunked)
  • English-only training data

How to Use

from transformers import pipeline

detector = pipeline(
    "token-classification",
    model="joneauxedgar/pasteproof-pii-detector-v3",
    aggregation_strategy="simple"
)

text = '''const config = {
    apiKey: "sk_live_abc123def456",
    email: "john@company.com"
};'''

results = detector(text)
for entity in results:
    print(f"{entity['entity_group']}: {entity['word']} ({entity['score']:.1%})")

Output:

API_KEY: sk_live_abc123def456 (99.9%)
EMAIL: john@company.com (99.9%)

Training Details

Training Data Design

To prevent overfitting, the training data includes:

  • 30% misleading key names (e.g., data, x, field1 instead of apiKey)
  • 20% raw PII without contextual clues
  • 15% mixed real + fake data (real PII alongside test cards, example.com emails)
  • 15% hard negatives (placeholder values, test data that should NOT be flagged)

Evaluation Results

MetricScore
Precision0.968
Recall0.976
F10.972

The model correctly ignores:

  • user@example.com (placeholder email)
  • 4111111111111111 (test credit card)
  • 123-45-6789 (example SSN)
  • process.env.API_KEY (reference, not a value)

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-05
  • train_batch_size: 32
  • eval_batch_size: 64
  • 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: 3
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossPrecisionRecallF1
0.00790.266710000.00620.91940.95210.9354
0.0060.533320000.00510.93180.96050.9459
0.00440.830000.00520.95160.96450.9580
0.00481.066740000.00480.95420.96980.9619
0.00361.333350000.00390.96260.97070.9666
0.00431.660000.00380.95590.96880.9623
0.00431.866770000.00350.96100.97240.9667
0.00272.133380000.00310.96270.97350.9681
0.00272.490000.00310.96510.97500.9700
0.00292.6667100000.00360.95750.97420.9658
0.00272.9333110000.00290.96810.97610.9721

Framework versions

  • Transformers 4.57.3
  • Pytorch 2.9.0+cu126
  • Datasets 4.0.0
  • Tokenizers 0.22.1

Citation

@model{pasteproof_pii_detector,
  author = {Jonathan Edgar},
  title = {PasteProof PII Detector},
  year = {2025},
  publisher = {Hugging Face},
  url = {https://huggingface.co/joneauxedgar/pasteproof-pii-detector-v3}
}

Contact

Part of the PasteProof project - preventing accidental data leaks before they happen.

License

BSL 1.0 Use for individual or research purposes. Reach out team@pasteproof.com for commercial license or usage questions.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertForTokenClassification
Ревизия весов
64dc6f6

0 моделей