Hugging Face's logo

Medyassino
/
devSECV2

Text Classification
Transformers
Safetensors
French
English
modernbert
devsecops
cybersecurity
fine-tuned
Eval Results (legacy)
text-embeddings-inference
Model card Files
xet
 Community
devSECV2
File size: 2,421 Bytes
e5d07de
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
---
language:
- fr
- en
license: apache-2.0
library_name: transformers
pipeline_tag: text-classification
base_model: Medyassino/secopv2
tags:
- modernbert
- text-classification
- devsecops
- cybersecurity
- fine-tuned
metrics:
- accuracy
- f1
model-index:
- name: devSECV2
  results:
  - task:
      type: text-classification
      name: Classification binaire (Différent / Équivalent)
    metrics:
    - type: accuracy
      value: 0.9035
    - type: f1
      name: F1 macro
      value: 0.9019
---

# devSECV2

Modèle de classification binaire basé sur **ModernBERT (~0,1B paramètres)**, obtenu par fine-tuning de [`Medyassino/secopv2`](https://huggingface.co/Medyassino/secopv2) pour distinguer deux classes : **Différent** et **Équivalent**.

## Utilisation

```python
from transformers import pipeline

clf = pipeline("text-classification", model="Medyassino/devSECV2")

# Adapter le format d'entrée à celui utilisé à l'entraînement
print(clf("<texte A> [SEP] <texte B>"))
```

> ⚠️ Le format exact de l'entrée (paire de textes, séparateur, longueur max) doit correspondre à celui utilisé lors du fine-tuning. À compléter : `<format d'entrée>`.

## Données d'entraînement

- Dataset(s) : `<à compléter : noms HF / Kaggle>`
- Jeu d'évaluation : 2 000 exemples (1 140 « Différent », 860 « Équivalent »)

## Hyperparamètres

| Paramètre | Valeur |
|---|---|
| Modèle de base | Medyassino/secopv2 (ModernBERT) |
| Epochs | 8 |
| Matériel | Google Colab (`<GPU T4>`) |

## Résultats (jeu d'évaluation, 2 000 exemples)

| Métrique | Valeur |
|---|---|
| Accuracy | 0,9035 |
| F1 macro | 0,9019 |
| Eval loss | 0,5926 |

| Classe | Précision | Rappel | F1 | Support |
|---|---|---|---|---|
| Différent | 0,9247 | 0,9044 | 0,9144 | 1140 |
| Équivalent | 0,8768 | 0,9023 | 0,8894 | 860 |
| **Accuracy** | | | **0,9035** | 2000 |
| Macro avg | 0,9007 | 0,9034 | 0,9019 | 2000 |
| Weighted avg | 0,9041 | 0,9035 | 0,9037 | 2000 |

## Limites et biais

- La classe « Équivalent » est légèrement moins bien prédite (précision 0,877) que « Différent » (précision 0,925).
- Les performances ne sont garanties que sur des données proches de celles d'entraînement.
- Ne pas utiliser comme seul critère de décision dans un contexte de sécurité critique : validation humaine recommandée.

## Auteur

Mohamed Yassine Bouneb ([@Medyassino](https://huggingface.co/Medyassino))