Дообученный DistilBERT для бинарной классификации текста как фишингового или спам-сообщения.
7скачиваний за 30 дней1лайквеса 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-spam-detection — модель классификации текста на базе DistilBERT, дообученная для бинарного определения фишинговых и спам-сообщений. Она разработана в рамках эмпирического исследования устойчивости NLP-классификаторов фишинговых писем к подстановкам омоглифов и синонимов.
Модель принимает текст и выдаёт класс, относящийся к фишингу или спаму. Она построена на distilbert-base-uncased с архитектурой DistilBertForSequenceClassification и рассчитана на контекст до 512 токенов. В README указано обучение на датасете Spam Detection в течение трёх эпох.
Подходит для предварительной фильтрации подозрительных писем и оценки устойчивости классификаторов к текстовым атакам. Для модели заявлена лицензия MIT. README не приводит численных результатов качества, поэтому пригодность для реальной почтовой защиты требует отдельной оценки.
Сценарии применения
первичная фильтрация фишинговых писем
выявление спама в текстовых сообщениях
классификация подозрительного текста перед проверкой специалистом
исследование устойчивости классификатора к замене омоглифов
сравнение устойчивости к атакам синонимами
Ограничения
В README не приведены численные показатели качества; модель обучалась на указанном датасете, и её результаты могут не переноситься на другие типы сообщений. Контекст ограничен 512 токенами.
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 Spam Detection 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