README.md

---
language:
- zh
license: apache-2.0
base_model: unsloth/gemma-4-E4B-it-bnb-4bit
library_name: unsloth
tags:
- cybersecurity
- phishing-detection
datasets:
- custom-social-engineering-logs
metrics:
- accuracy
- loss
model-index:
- name: gemma4-fishcom-detector
  results:
  - task:
      type: text-generation
    dataset:
      name: Fishcom Sequence Logs
      type: custom
    metrics:
    - name: Final Train Loss
      type: loss
      value: 0.3336
---

# Fishcom AI - Gemma 4 Social Engineering Detector

這是一個專門為 **Fishcom 社交工程演練平台** 開發的資安分析模型，旨在自動辨別演練中的互動 Log 究竟是來自「真人點擊」還是「資安掃描設備」。

## 🚀 核心能力
- **行為序列分析 (Sequence Analysis)**：能夠辨識連續行為中的「時間節奏」。例如：精確的間隔秒數、重複的 UA 模式。
- **特徵提取 (Feature Extraction)**：針對 IP 段、User-Agent 長度、ISP 組織名稱進行深度推理。
- **多模態基底**：基於最新 Gemma 4 架構，具備優異的邏輯推理與中文處理能力。

## 🛠️ 如何載入與使用
本模型為 LoRA Adapter，必須掛載於基礎模型上執行。建議使用 `unsloth` 以獲得最佳效能：

```python
from unsloth import FastLanguageModel
import torch

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name = "HashW/gemma4-fishcom-detector", # 指向此倉庫
    max_seq_length = 2048,
    load_in_4bit = True,
)
FastLanguageModel.for_inference(model)

# 測試 Log 序列
test_input = "行為 1: 事件: click, 延遲: 20s, IP: 52.x.x.x, UA: MS Safe Links..."
# ... (後續執行推理)

## 訓練細節 (Training Details)
- **基礎模型 (Base Model)**: `unsloth/gemma-4-E4B-it-bnb-4bit`
- **訓練樣本 (Dataset)**: 27.2 萬筆 (包含 9483 筆長文本序列行為教材)
- **精度 (Precision)**: Bfloat16 (採用 4-bit LoRA 訓練)
- **安全處理 (Privacy)**: 已完成 IP 去識別化與敏感資訊遮蔽。