/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
MIT
Архитектура
electra · dense
Базовая модель
bcms-bertic
Библиотека
transformers
Опубликована
10 июн 2026

ne-nasedaj-sms-phishing

Классификация текстаТекст → label3 профессии

Модель классифицирует SMS на фишинговые и легитимные сообщения на сербском, хорватском, боснийском и черногорском языках.

38скачиваний за 30 дней0лайковвеса обновлены14 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

Ne Nasedaj SMS Phishing Detector — модель Ravi Chand Mutthina для классификации SMS на фишинговые и легитимные сообщения. Она дообучена на базе classla/bcms-bertic и использует архитектуру ELECTRA с классификационной головой; в метаданных указано 137,8 млн параметров, а контекст составляет до 512 токенов.

Модель предназначена для выявления фишинговых и мошеннических SMS, а также для образовательных проектов и приложений безопасности сообщений. Она рассчитана на сербский, хорватский, боснийский и черногорский языки; при обучении перед текстом добавляли языковые метки. В README приведены результаты тестирования на небольшой выборке из 1 529 сообщений: точность 96,96%, precision 96,81% и recall 95,79%.

Модель распространяется по лицензии MIT. Авторы позиционируют её как исследовательский, образовательный и демонстрационный инструмент; её предсказания не заменяют экспертную проверку кибербезопасности. Небольшой размер описанного набора данных ограничивает уверенность в переносе метрик на другие источники сообщений и условия эксплуатации.

Сценарии применения

  • выявление фишинговых SMS на сербском языке
  • классификация мошеннических и легитимных сообщений
  • фильтрация подозрительных SMS в приложении безопасности
  • демонстрация обнаружения SMS-мошенничества в образовательном проекте

Ограничения

README описывает небольшой набор для обучения и тестирования, поэтому приведённые метрики могут не переноситься на другие источники SMS. Авторы рекомендуют использовать предсказания как вспомогательные и не считать их заменой профессиональной проверке безопасности.

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

Ne Nasedaj SMS Phishing Detector

Fine-tuned BERTić model for phishing SMS detection in South Slavic languages.

Overview

This model is based on classla/bcms-bertic and was fine-tuned for binary SMS classification:

  • Phishing
  • Legitimate

The goal is to detect phishing and scam SMS messages commonly found in Serbian-speaking and neighboring language communities.

Supported Languages

  • Serbian (sr)
  • Croatian (hr)
  • Bosnian (bs)
  • Montenegrin (me)

The model was trained using language-aware inputs by prepending language tags such as:

[sr] message text
[hr] message text

Dataset

  • Total Samples: 1,529
  • Legitimate Messages: 900
  • Phishing Messages: 629
LanguageSamples
Serbian1013
Croatian201
Montenegrin153
Bosnian143
Neutral19

Model

Base Model:

classla/bcms-bertic

Parameters:

110,618,882

Test Results

MetricScore
Accuracy96.96%
Precision96.81%
Recall95.79%
F1 Score96.30%

Confusion Matrix

[[132   3]
 [  4  91]]

Intended Use

  • SMS phishing detection
  • Cybersecurity education
  • Anti-scam awareness tools
  • Messaging safety applications

Example

Input:

[sr] Vaš račun će biti blokiran. Kliknite odmah.

Output:

phishing

Contributions

  • Model fine-tuning, training, evaluation, and Hugging Face model publication: Ravi Chand Mutthina
  • Dataset creation and curation: Otanwe- Developed as part of a collaborative hackathon project.

Disclaimer

This model is intended for research, educational, and demonstration purposes. Predictions should not be considered a replacement for professional cybersecurity review.

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
ElectraForSequenceClassification
Ревизия весов
4de3a81

0 моделей