Aikido Security از Altar-1، نخستین مدل هوش مصنوعی Open-Weight خود برای کاربردهای امنیت سایبری رونمایی کرده است. این مدل برای اجرا در زیرساخت داخلی سازمانها طراحی شده تا تحلیل کد و دادههای امنیتی حساس بدون نیاز به ارسال آنها به سرویسهای هوش مصنوعی شخص ثالث انجام شود.
Altar-1 براساس مدل GLM-5.3 ساخته شده و Aikido با ترکیب کوانتیزهسازی و حذف بخشی از Expertها، حجم مدل را از حدود ۱٫۵ ترابایت در نسخه کامل به ۳۲۸ گیگابایت کاهش داده است.
Altar-1 برای اجرای هوش مصنوعی امنیتی داخل سازمان ساخته شده است
هدف اصلی Aikido از توسعه Altar-1 فراهمکردن یک مدل امنیتی قدرتمند برای سازمانهایی است که نمیتوانند کد منبع، معماری داخلی یا گزارشهای آسیبپذیری خود را به سرویسهای ابری خارجی ارسال کنند.
این مدل میتواند در زیرساخت خود سازمان و حتی محیطهای کاملاً ایزوله و بدون اتصال مستقیم به اینترنت اجرا شود. Aikido از Altar در پلتفرم امنیتی Aikido Machine نیز استفاده میکند.
حجم GLM-5.3 از ۱٫۵ ترابایت به ۳۲۸ گیگابایت کاهش یافت
مدل پایه GLM-5.3 در حالت BF16 حدود ۱۵۰۶٫۷ گیگابایت فضای ذخیرهسازی نیاز دارد. نسخه کوانتیزهشده AWQ INT4 این حجم را به ۴۸۸٫۲ گیگابایت کاهش میدهد.
Aikido سپس با استفاده از روش حذف Expertها، اندازه Altar-1 را به ۳۲۸ گیگابایت رسانده است؛ یعنی کاهش ۷۸٫۲ درصدی نسبت به مدل اصلی و حدود ۳۲٫۸ درصد نسبت به نسخه کوانتیزهشده GLM-5.3.
حذف ۸۸ Expert بدون تغییر تعداد Expertهای فعال
GLM-5.3 از معماری Mixture-of-Experts استفاده میکند و در هر لایه ۲۵۶ Expert دارد. Altar-1 تنها ۱۶۸ مورد از آنها را حفظ کرده و ۸۸ Expert، معادل ۳۴٫۴ درصد، حذف شدهاند.
بااینحال در هر توکن همچنان هشت Expert فعال میشوند. Aikido برای انتخاب Expertهای قابل حذف از روش REAP شرکت Cerebras و دادههای مربوط به امنیت سایبری، برنامهنویسی، استدلال و محتوای چندزبانه استفاده کرده است.
عملکرد Altar-1 در شناسایی آسیبپذیریها
Aikido این مدل را روی بنچمارک داخلی شامل ۳۲ آسیبپذیری شناختهشده در ۳۰ مخزن نرمافزاری آزمایش کرده است.
Altar-1 بهطور میانگین Recall معادل ۶۰٫۴ درصد ثبت کرده و حداقل یکبار موفق به شناسایی ۲۳ مورد از ۳۲ آسیبپذیری شده است.
نسخه کوانتیزهشده GLM-5.3 به Recall معادل ۶۱٫۵ درصد و مدل کامل GLM-5.3 به ۶۵٫۶ درصد رسیدهاند. بنابراین طبق دادههای منتشرشده توسط خود Aikido، کاهش قابلتوجه حجم مدل با افت محدود در این آزمون همراه بوده است.
اجرای Altar-1 به چهار GPU قدرتمند نیاز دارد
با وجود کاهش چشمگیر حجم، Altar-1 همچنان مدل بسیار بزرگی محسوب میشود. Aikido اعلام کرده که این مدل را میتوان روی یک سیستم مجهز به چهار پردازنده گرافیکی Nvidia H200 و با استفاده از vLLM اجرا کرد.
وزنهای مدل نیز بهصورت عمومی در Hugging Face منتشر شدهاند تا سازمانها بتوانند آن را در زیرساخت خود مستقر کنند.
نتایج بنچمارک را باید با احتیاط تفسیر کرد
اعداد عملکرد Altar-1 از بنچمارک داخلی Aikido به دست آمدهاند و آزمایش موردنظر روی شناسایی مجموعه مشخصی از آسیبپذیریهای شناختهشده تمرکز دارد.
خود Aikido نیز تأکید کرده که این آزمایش توانایی کشف کاملاً ناشناخته آسیبپذیریها در یک کدبیس کامل یا اجرای اکسپلویتها را اندازهگیری نمیکند. بنابراین نتایج منتشرشده بیشتر نشاندهنده عملکرد مدل در یک سناریوی مشخص امنیتی هستند، نه ارزیابی جامع تمام قابلیتهای آن.
دیدگاهها