파일	설명	용도
`adapter_model.safetensors`	LoRA 어댑터 가중치	GPU 서버 (peft + transformers)
`mistral-7b-phishing-ko-Q4_K_M.gguf`	GGUF Q4_K_M 양자화	CPU 추론 (ctransformers)

사용 방법

GPU 환경 (LoRA 어댑터)

python

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

base = AutoModelForCausalLM.from_pretrained(
    "mistralai/Mistral-7B-Instruct-v0.3",
    load_in_4bit=True,
    device_map="auto",
)
model = PeftModel.from_pretrained(base, "joohans/mistral-7b-phishing-ko")
tokenizer = AutoTokenizer.from_pretrained("mistralai/Mistral-7B-Instruct-v0.3")

prompt = "[INST] 다음 이메일이 피싱인지 판단하세요.\n\n{email_text} [/INST]"

CPU 환경 (GGUF Q4_K_M)

python

from huggingface_hub import hf_hub_download
from ctransformers import AutoModelForCausalLM

gguf_path = hf_hub_download(
    repo_id="joohans/mistral-7b-phishing-ko",
    filename="mistral-7b-phishing-ko-Q4_K_M.gguf",
)
llm = AutoModelForCausalLM.from_pretrained(
    gguf_path, model_type="mistral",
    context_length=2048, threads=4,
)

학습 정보

항목	내용
베이스 모델	mistralai/Mistral-7B-Instruct-v0.3
학습 방법	QLoRA (4-bit + LoRA r=16, alpha=32)
학습 데이터	한국어 피싱 이메일 + 정상 이메일 (공개 코퍼스 + 내부 수집)
학습 하드웨어	NVIDIA H100 NVL 96GB
학습 시간	8.2분
LoRA 대상 레이어	q_proj, v_proj, k_proj, o_proj

한국어 피싱 탐지에서의 차별점

일반적인 피싱 탐지 모델은 영어 데이터 위주로 학습되어 한국어 피싱 메일의 특성을 반영하지 못합니다.

이 모델은 다음을 고려하여 학습했습니다:

한국 금융기관·공공기관 사칭 패턴 (국세청, 금감원, 카카오, 네이버 등)
한국어 긴급성 표현 ("즉시", "24시간 내", "계정 정지" 등)
한국어 맞춤법·띄어쓰기 변형을 이용한 우회 시도
한글-영어 혼용 URL 패턴

소스 코드

전체 학습 스크립트 및 평가 코드: 👉 github.com/jsong1230/caion-secops-poc

라이선스

MIT License — 상업적 사용 포함 자유롭게 활용 가능합니다.

개발

CPLabs (주식회사 씨피랩스) — NIPA 2026 오픈소스 AI·SW 활용 지원사업