شرکت Aikido Security از مدل هوش مصنوعی Altar-1 رونمایی کرد. این مدل با رویکرد Open-Weight طراحی شده است تا سازمان‌ها بتوانند عملیات‌های دفاعی امنیت سایبری خود را به‌طور کامل در زیرساخت‌های داخلی (On-premise) اجرا کنند.
هدف از توسعه Altar-1
هدف اصلی از طراحی این مدل، کمک به تیم‌های امنیتی برای شناسایی آسیب‌پذیری‌ها (Vulnerability Discovery) و انجام تست‌های نفوذ (Penetration Testing) پیشرفته است، بدون آنکه نیاز باشد کد منبع (Source Code)، مستندات داخلی یا یافته‌های امنیتی به سرویس‌های استنتاج ابری (Cloud-based Inference) ارسال شوند. این ویژگی برای سازمان‌هایی با الزامات سخت‌گیرانه حریم خصوصی، مانند بانک‌ها، مراکز درمانی و محیط‌های صنعتی ایزوله یا Air-gapped، حیاتی است.
یکپارچگی با Aikido Machine
مدل Altar-1 هسته مرکزی Aikido Machine است؛ یک ابزار خودکار برای تست نفوذ که در محیط مشتری مستقر شده و به‌طور مداوم سطح حمله (Attack Surface) را برای شناسایی، اکسپلویت و اعتبارسنجی نقاط ضعف رصد می‌کند. با افزودن قابلیت‌های استدلال محلی (Local AI Reasoning)، این ابزار می‌تواند با تحلیل متون فنی حساس، بدون نیاز به انتقال داده به شخص ثالث، عمل کند.
جزئیات فنی و بهینه‌سازی
این مدل بر پایه مدل Open-weight GLM-5.3 توسعه یافته است. برای کاهش نیازهای سخت‌افزاری، Aikido مراحل زیر را طی کرده است:
- کوانتایزیشن (Quantization): استفاده از روش AWQ INT4 برای کاهش حجم مدل از 1.51 ترابایت به 488.2 گیگابایت.
- هرس کردن تخصصی (Expert Pruning): با حذف 88 متخصص (Expert) غیرضروری از میان 256 متخصص در لایه‌های Backbone، حجم مدل به 328 گیگابایت کاهش یافت.
- بهینه‌سازی با Cerebras REAP: برای حفظ توانایی‌های کدنویسی و استدلال در حوزه امنیت سایبری، از متد Router-weighted Expert Activation Pruning استفاده شده است.
تحلیل عملکرد و استقرار
در بنچمارک‌های داخلی روی 32 آسیب‌پذیری شناخته شده در 30 مخزن کد، مدل Altar-1 توانست 92 درصد از پوشش شناسایی مدل اصلی (Full-precision) را حفظ کند، در حالی که نیاز به زیرساخت را به‌شدت کاهش داده است.
در حال حاضر این مدل از طریق Hugging Face در دسترس است و برای استقرار به یک نود مجهز به چهار پردازنده گرافیکی NVIDIA H200 و استفاده از vLLM نیاز دارد.
