شرکت بلژیکی Aikido Security مدل هوش مصنوعی Altar-1 را معرفی کرد؛ مدلی با وزنهای قابلدسترسی که برای کاربردهای دفاعی در امنیت سایبری طراحی شده و سازمانها میتوانند آن را روی زیرساخت خودشان اجرا کنند. هدف آیکیدو، کاهش وابستگی شرکتها به سرویسهای ابری و جلوگیری از ارسال کدهای حساس و نتایج بررسیهای امنیتی به ارائهدهندگان خارجی عنوان شده است.
Altar-1 از صفر آموزش داده نشده و پایهی آن GLM-5.3 شرکت Z.AI است. آیکیدو با استفاده از روشهای quantization و expert pruning اندازهی مدل را بهشدت کاهش داده است.
حجم نسخهی کامل GLM-5.3 حدود ۱٫۵۱ ترابایت است که پس از کوانتیزهکردن به ۴۸۸ گیگابایت و در نهایت با حذف یکسری از بخشها به ۳۲۸ گیگابایت میرسد. در این فرایند ۸۸ مورد از ۲۵۶ بخش تخصصی مدل حذف شدهاند؛ یعنی حدود ۳۴٫۴ درصد از بخشهای تخصصی کنار گذاشته شدهاند.
آیکیدو میگوید Altar-1 برای شناسایی آسیبپذیریهای نرمافزاری، تحلیل کد، فراخوانی ابزارها، استدلال و فرایندهای تست نفوذ بهینه شده و میتوان آن را با چهار GPU از خانوادهی H200 و vLLM اجرا کرد. این ویژگی برای سازمانهایی که نمیخواهند کد یا دادههای امنیتیشان از شبکهی داخلی خارج شود، اهمیت ویژهای دارد؛ خصوصاً در محیطهای بانکی، درمانی و زیرساختهای حساس.
آیکیدو برای ارزیابی Altar-1، مجموعهای شامل ۳۲ آسیبپذیری شناختهشده در ۳۰ مخزن کد را بررسی کرد. این مدل توانست در مجموع ۶۰٫۴ درصد از آسیبپذیریهای موجود را شناسایی کند و دستکم یکبار ۲۳ مورد از ۳۲ آسیبپذیری را پیدا کرد. برای مقایسه، نسخهی کوانتیزهشدهی GLM-5.3 به نرخ شناسایی ۶۱٫۵ درصد و نسخهی اصلی مدل به ۶۵٫۶ درصد رسیدند. البته این آزمایش را خود آیکیدو انجام داده و نتیجهاش لزوماً نشاندهندهی عملکرد مدل در کشف آسیبپذیریهای ناشناخته یا در شرایط واقعی نیست.
آیکیدو میگوید Altar-1 نخستین قدم از برنامهی Aikido Labs برای توسعهی مدلهای امنیتی اختصاصی است و در ادامه قصد دارد مدلهای خود را برای پژوهش آسیبپذیری، تحلیل کد، اصلاح مشکلات امنیتی و تست نفوذ پیشرفتهتر کند. وزنهای Altar-1 نیز در Hugging Face منتشر شدهاند و امکان استقرار محلی آن وجود دارد.
یک نکتهی فنی مهم هم این است که صفحهی Hugging Face فعلاً Altar-1 را بهصورت مدلی حدود ۵۰۴ میلیارد پارامتری معرفی میکند، درحالیکه عدد ۳۲۸ گیگابایت مربوط به حجم وزنهای INT4 آن است؛ این دو عدد نباید با هم اشتباه گرفته شوند.
