Дообученный DistilBERT для бинарной классификации писем с целью выявления фишинга и спама.
7скачиваний за 30 дней0лайковвеса обновлены11 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
umayer16/distilbert-phishing-detection-v2 — модель классификации текста на базе DistilBERT, дообученная для бинарного выявления фишинговых и спам-писем. Разработчик обучал её на наборе PhishingEmailDetection в рамках эмпирического исследования устойчивости классификаторов к подмене символов гомоглифами и замене слов синонимами.
Модель предназначена для автоматической проверки текста электронных писем на признаки фишинга или спама, в том числе как компонент почтового фильтра или исследовательского эксперимента по устойчивости к состязательным атакам. Архитектура — DistilBertForSequenceClassification; базовая модель — distilbert-base-uncased. Максимальная длина контекста составляет 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.
README не приводит численные показатели качества: точность отсылает к таблице и рисунку статьи. Поэтому качество обнаружения и устойчивость к атакам нельзя оценить по карточке; обучение на одном указанном наборе данных также не подтверждает переносимость на другие типы писем.
Сценарии применения
выявление фишинговых писем
фильтрация спама по тексту письма
классификация писем для почтового фильтра
исследование устойчивости классификатора к подмене символов
проверка влияния замены слов синонимами на обнаружение фишинга
Ограничения
В карточке нет численных показателей качества, а результаты исследования не приведены. Обучение указано для одного набора данных; переносимость на другие типы писем и устойчивость к атакам по карточке оценить нельзя.
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Fine-tuned distilbert-base-uncased for binary phishing/spam classification,
trained on the PhishingEmailDetection dataset as part of an empirical study on
adversarial robustness (homoglyph substitution vs. synonym replacement attacks).
Training: 3 epochs, batch size 32, AdamW, lr=2e-5
Baseline accuracy: see paper Table/Fig. 1
Part of: "Adversarial Robustness of NLP-Based Phishing Email Classifiers:
A Multi-Dataset Empirical Study" (CJSJ 2026, Muktadir Arif)
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров