Paramètre	Valeur
Modèle de base	mistralai/Mistral-7B-Instruct-v0.3
Technique	QLoRA (4-bit) via Unsloth
Dataset	1822 exemples cybersécurité
Epochs	3
GPU	NVIDIA RTX 4000 Ada 21GB
LoRA rank	r=16, alpha=32

Domaines couverts

Pentest réseau (nmap, Metasploit, Impacket)
Active Directory offensif (Kerberoasting, BloodHound, Pass-the-Hash, DCSync)
Web exploitation (SQLi, XSS, SSRF, XXE, SSTI)
Cloud security (AWS, Azure, GCP, Kubernetes)
Privilege escalation Linux et Windows
Forensics et incident response
OSINT et reconnaissance
Évasion AV/EDR

Utilisation rapide

python

from unsloth import FastLanguageModel
from unsloth.chat_templates import get_chat_template
from peft import PeftModel
import torch

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="mistralai/Mistral-7B-Instruct-v0.3",
    max_seq_length=2048, dtype=None, load_in_4bit=True,
)
model = PeftModel.from_pretrained(model, "gabinkebre/cybersec-mistral-7b-v6")
FastLanguageModel.for_inference(model)
tokenizer = get_chat_template(tokenizer, chat_template="mistral")

messages = [{"role": "user", "content": "Comment fonctionne le Kerberoasting ?"}]
inputs = tokenizer.apply_chat_template(messages, tokenize=True,
    add_generation_prompt=True, return_tensors="pt").to("cuda")
outputs = model.generate(input_ids=inputs, max_new_tokens=500,
    temperature=0.7, do_sample=True, pad_token_id=tokenizer.eos_token_id)
print(tokenizer.decode(outputs[0][inputs.shape[1]:], skip_special_tokens=True))

Auteur

Gabin Kébré — MBA Expert en Cybersécurité (STUDI 2026-2028)

HuggingFace : https://huggingface.co/gabinkebre
Portfolio : https://gabinkebre.info

Usage éducatif uniquement. Toute utilisation malveillante est interdite.