Instructions to use joohans/mistral-7b-phishing-ko with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use joohans/mistral-7b-phishing-ko with PEFT:

from peft import PeftModel
from transformers import AutoModelForCausalLM

base_model = AutoModelForCausalLM.from_pretrained("/data/jsong/nipa-poc/models/Mistral-7B-Instruct-v0.3")
model = PeftModel.from_pretrained(base_model, "joohans/mistral-7b-phishing-ko")

llama-cpp-python

How to use joohans/mistral-7b-phishing-ko with llama-cpp-python:

# !pip install llama-cpp-python

from llama_cpp import Llama

llm = Llama.from_pretrained(
	repo_id="joohans/mistral-7b-phishing-ko",
	filename="mistral-7b-phishing-ko-Q4_K_M.gguf",
)

llm.create_chat_completion(
	messages = "No input example has been defined for this model task."
)

Notebooks
Google Colab
Kaggle
Local Apps Settings

llama.cpp

How to use joohans/mistral-7b-phishing-ko with llama.cpp:

Install (macOS, Linux)

curl -LsSf https://llama.app/install.sh | sh
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf joohans/mistral-7b-phishing-ko:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf joohans/mistral-7b-phishing-ko:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf joohans/mistral-7b-phishing-ko:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf joohans/mistral-7b-phishing-ko:Q4_K_M

Use pre-built binary

# Download pre-built binary from:
# https://github.com/ggerganov/llama.cpp/releases
# Start a local OpenAI-compatible server with a web UI:
./llama-server -hf joohans/mistral-7b-phishing-ko:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf joohans/mistral-7b-phishing-ko:Q4_K_M

Build from source code

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-server llama-cli
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama-server -hf joohans/mistral-7b-phishing-ko:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf joohans/mistral-7b-phishing-ko:Q4_K_M

Use Docker

docker model run hf.co/joohans/mistral-7b-phishing-ko:Q4_K_M

LM Studio
Jan
Ollama
How to use joohans/mistral-7b-phishing-ko with Ollama:
```
ollama run hf.co/joohans/mistral-7b-phishing-ko:Q4_K_M
```

Unsloth Studio

How to use joohans/mistral-7b-phishing-ko with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for joohans/mistral-7b-phishing-ko to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for joohans/mistral-7b-phishing-ko to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for joohans/mistral-7b-phishing-ko to start chatting

How to use joohans/mistral-7b-phishing-ko with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf joohans/mistral-7b-phishing-ko:Q4_K_M

Configure the model in Pi

# Install Pi:
npm install -g @mariozechner/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "joohans/mistral-7b-phishing-ko:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Hermes Agent new

How to use joohans/mistral-7b-phishing-ko with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf joohans/mistral-7b-phishing-ko:Q4_K_M

Configure Hermes

# Install Hermes:
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
hermes setup
# Point Hermes at the local server:
hermes config set model.provider custom
hermes config set model.base_url http://127.0.0.1:8080/v1
hermes config set model.default joohans/mistral-7b-phishing-ko:Q4_K_M

Run Hermes

hermes

Atomic Chat new

OpenClaw new

How to use joohans/mistral-7b-phishing-ko with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf joohans/mistral-7b-phishing-ko:Q4_K_M

Configure OpenClaw

# Install OpenClaw:
npm install -g openclaw@latest
# Register the local server and set it as the default model:
openclaw onboard --non-interactive --mode local \
  --auth-choice custom-api-key \
  --custom-base-url http://127.0.0.1:8080/v1 \
  --custom-model-id "joohans/mistral-7b-phishing-ko:Q4_K_M" \
  --custom-provider-id llama-cpp \
  --custom-compatibility openai \
  --custom-text-input \
  --accept-risk \
  --skip-health

Run OpenClaw

openclaw agent --local --agent main --message "Hello from Hugging Face"

Docker Model Runner
How to use joohans/mistral-7b-phishing-ko with Docker Model Runner:
```
docker model run hf.co/joohans/mistral-7b-phishing-ko:Q4_K_M
```

Lemonade

How to use joohans/mistral-7b-phishing-ko with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull joohans/mistral-7b-phishing-ko:Q4_K_M

Run and chat with the model

lemonade run user.mistral-7b-phishing-ko-Q4_K_M

List all available models

lemonade list

Mistral-7B — Korean Phishing Email Detection (LoRA)

한국어 피싱 이메일 탐지를 위해 Mistral-7B-Instruct-v0.3를 LoRA 파인튜닝한 모델입니다.

NIPA 2026 오픈소스 AI·SW 활용 지원사업 (CAiON SecOps) PoC 산출물로, 실제 보안 운영 환경(ISMS 인증 기업)에서 수집한 데이터로 학습하고 검증했습니다.

라이브 데모

👉 HuggingFace Spaces 데모

피싱 이메일을 입력하면 실시간으로 분류 → 위협 분석 → 에이전틱 조치 제안까지 확인할 수 있습니다.

성능 (PoC 230건 테스트셋)

지표	파인튜닝 전	파인튜닝 후
정확도	57.7%	100%
오탐율 (FPR)	98.2%	0%
추론 속도 (H100)	—	238.7 samples/sec
학습 시간 (QLoRA)	—	8.2분

PoC 230건 기준 수치이며, 본 과제에서 5,000건 이상으로 확대 검증 예정입니다.

모델 파일

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)

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)

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

Downloads last month: 6

GGUF

Model size

7B params

Architecture

llama

Hardware compatibility

4-bit

Inference Providers NEW

This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for joohans/mistral-7b-phishing-ko

Base model

mistralai/Mistral-7B-v0.3

Finetuned

mistralai/Mistral-7B-Instruct-v0.3

Adapter

(824)

this model

joohans
/

mistral-7b-phishing-ko

Mistral-7B — Korean Phishing Email Detection (LoRA)

라이브 데모

성능 (PoC 230건 테스트셋)

모델 파일

사용 방법

GPU 환경 (LoRA 어댑터)

CPU 환경 (GGUF Q4_K_M)

학습 정보

한국어 피싱 탐지에서의 차별점

소스 코드

라이선스

개발

Model tree for joohans/mistral-7b-phishing-ko

Space using joohans/mistral-7b-phishing-ko 1