Altar-1: Lokal AI för sårbarhetsanalys och kodgranskning

Det belgiska företaget Aikido Security har lanserat Altar-1, en AI-modell för sårbarhetsdetektering och kodanalys som kan köras på en organisations lokala infrastruktur.

Aikido uppger att modellens tillgängliga vikter och möjlighet till lokal drift ska minska beroendet av molntjänster och förhindra att känslig kod och säkerhetsresultat lämnar interna nätverk.

Altar-1 tränades inte från grunden. Aikido byggde modellen ovanpå GLM-5.3 från Z.AI och minskade dess storlek genom kvantisering och expertbeskärning.

Enligt Aikido är fullversionen av GLM-5.3 cirka 1,51 terabyte stor. Kvantiseringen minskade storleken till 488 gigabyte, medan beskärningen reducerade den ytterligare till 328 gigabyte.

Vid beskärningen tog Aikido bort 88 av 256 expertsektioner, motsvarande cirka 34,4 procent av experterna.

Aikido uppger att Altar-1 är optimerad för att identifiera mjukvarusårbarheter, analysera kod, göra verktygsanrop, resonera och hantera arbetsflöden för penetrationstestning. Modellen kan köras på fyra H200-GPU:er med vLLM.

Företaget lyfter fram modellens relevans för organisationer som inte kan tillåta att kod eller säkerhetsdata lämnar interna nätverk, särskilt inom banksektorn, vården och kritisk infrastruktur.

För utvärderingen testade Aikido Altar-1 på 32 kända sårbarheter i 30 kodförråd. Altar-1 upptäckte totalt 60,4 procent av sårbarheterna och hittade minst ett exempel på 23 av de 32 problemen.

Som jämförelse rapporterar Aikido en upptäcktsgrad på 61,5 procent för kvantiserade GLM-5.3 och 65,6 procent för originalversionen av GLM-5.3. Aikido genomförde testet och betonar att resultaten inte nödvändigtvis speglar prestandan för okända sårbarheter eller under verkliga förhållanden.

Aikido uppger att Altar-1 är det första steget i Aikido Labs plan att utveckla specialiserade säkerhetsmodeller för sårbarhetsforskning, kodanalys, automatiska åtgärder och avancerad penetrationstestning. Modellvikterna publiceras på Hugging Face och lokal drift stöds.

Teknisk notering: På Hugging Face-sidan anges Altar-1 som en modell med omkring 504 miljarder parametrar, medan siffran 328 gigabyte avser viktstorleken i INT4. Aikido varnar för att siffrorna inte är direkt jämförbara.