/ Модель

Характеристики

Контекст
514 токенов
Параметры
454 млн
Лицензия
MIT
Архитектура
roberta · dense
Базовая модель
roberta-large
Опубликована
20 июл 2026

cti-ner-roberta-large

Разметка токеновТекст → label3 профессии

Модель RoBERTa для извлечения сущностей киберугроз из бюллетеней CISA, включая CVE, вредоносные программы, группы атакующих и индикаторы компрометации.

8скачиваний за 30 дней0лайковвеса обновлены24 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

pzryathzsdhc/cti-ner-roberta-large — крупная модель RoBERTa, дообученная для распознавания именованных сущностей в англоязычных бюллетенях CISA по киберугрозам. Она размечает текст в формате BIO и выделяет 16 типов сущностей: идентификаторы и названия техник атак, CVE и CWE, хеши, имена и пути файлов, IP-адреса, адреса электронной почты, семейства вредоносных программ, группы угроз, инструменты взлома, тактики, классификации TLP, имена правил YARA и затронутые программные продукты.

Модель содержит 454,1 млн параметров, принимает текст и имеет контекст 514 токенов. При обработке длинных бюллетеней следует использовать скользящие окна: обычный однопроходный вызов токенизатора может усекать текст, особенно насыщенный хешами. На тестовой выборке из восьми бюллетеней строгая micro-F1 составила 0,63, расслабленная — 0,69; небольшой размер теста ограничивает надёжность оценки. Обучающие метки были предложены LLM и проверены валидаторами формата span, а тестовую разметку курировали люди. Модель выпущена под лицензией MIT.

Сценарии применения

  • извлечение CVE и CWE из бюллетеней безопасности
  • поиск IP-адресов, хешей и файловых индикаторов компрометации
  • выделение семейств вредоносных программ и групп угроз
  • извлечение техник атак, тактик и инструментов взлома
  • разметка сущностей киберугроз в англоязычных бюллетенях CISA

Ограничения

Оценка проведена на тестовой выборке всего из восьми бюллетеней, поэтому метрики могут заметно зависеть от состава данных и случайного зерна обучения. Для длинных текстов требуется скользящая обработка окон, поскольку однопроходная токенизация может усечь содержимое.

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-ner-roberta-large (clean LLM-gold retrain, v2)

roberta-large fine-tuned as a BIO token classifier for cyber threat intelligence NER on CISA advisories: 16 entity types (attack technique id/name, CVE/CWE identifiers, file hash/name/path, IP address, email address, malware family, threat actor group, hacking tool, tactic, TLP classification, YARA rule name, affected software product).

This version replaces the earlier checkpoint trained on dictionary-silver labels. Training gold is LLM-proposed (Claude Sonnet 5, exhaustive extraction under per-label span-format validators) with the evaluation split human-curated. See the paper in the repository below for the methodology and the circularity analysis that motivated the switch.

Evaluation (measured on this checkpoint)

Document-level span scoring on the held-out 8-advisory test split (strict = exact span + label), verified independently with the repository harness (ner.finetune_roberta --eval-only):

MetricStrictRelaxed
Micro F10.630.69
Macro F10.710.75

The paper's committed result for this architecture (data/gold_v2/results/trained-roberta-large.json) is 0.648 strict micro from an earlier training run; this checkpoint is a re-run with identical data and hyperparameters, and the 1.4-point difference is seed/hardware variance on an 8-document test set. Either way the architecture ordering holds: SecureBERT 0.71 $>$ RoBERTa-base 0.659 $>$ RoBERTa-large $>$ GLiNER 0.560 on the identical gold and harness, i.e., domain-adaptive pretraining beats raw parameter count on this task.

Training details

  • Data: 66 training advisories (2,799 chunks), 8 val, 8 test; document-level split committed in the repository (data/split_slugs.json).
  • 8 epochs, lr 2e-5, seed 0, wordpiece-budget sliding windows; best epoch by validation strict F1. Trained on Colab CUDA via notebooks/RoBERTa_Large_CTI_Colab.ipynb (corpus embedded in the notebook).

Usage

Inference should replicate the sliding-window word-tagging procedure in ner/finetune_roberta.py (see notebooks/hf_models_demo.ipynb in the repository for a worked example); a naive single-pass tokenizer call truncates long, hash-heavy advisory text.

Links

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForTokenClassification
Ревизия весов
10ca625

0 моделей