Aikido Security lancerer Altar-1 til lokal kodeanalyse

Det belgiske firma Aikido Security har lanceret Altar-1, en AI-model til at opdage sårbarheder og analysere kode, som kan køre på en organisations lokale infrastruktur.

Ifølge Aikido skal modellens tilgængelige vægte og lokale implementering mindske afhængigheden af cloudtjenester og sikre, at følsom kode og sikkerhedsresultater ikke forlader interne netværk.

Altar-1 er ikke trænet fra bunden. Aikido har bygget modellen oven på GLM-5.3 fra Z.AI og reduceret dens størrelse med kvantisering og beskæring af eksperter.

Aikido oplyser, at den fulde GLM-5.3 fylder omkring 1,51 terabyte. Kvantisering reducerede størrelsen til 488 gigabyte, mens beskæringen yderligere bragte den ned til 328 gigabyte.

Ved beskæringen fjernede Aikido 88 af modellens 256 eksperter, hvilket svarer til cirka 34,4 procent.

Aikido oplyser, at Altar-1 er optimeret til at identificere softwaresårbarheder, analysere kode, foretage kald til værktøjer, ræsonnering og workflows til penetrationstest. Modellen kan køre på fire H200-GPU'er med vLLM.

Virksomheden fremhæver modellens relevans for organisationer, som ikke kan tillade, at kode eller sikkerhedsdata forlader interne netværk, særligt i banksektoren, sundhedsvæsenet og kritisk infrastruktur.

Til evalueringen testede Aikido Altar-1 på et sæt med 32 kendte sårbarheder fordelt på 30 kodearkiver. Altar-1 opdagede samlet 60,4 procent af sårbarhederne og fandt mindst én forekomst af 23 af de 32 problemer.

Til sammenligning rapporterer Aikido en opdagelsesrate på 61,5 procent for den kvantiserede GLM-5.3 og 65,6 procent for den oprindelige GLM-5.3. Aikido gennemførte selv testen og understreger, at resultaterne ikke nødvendigvis afspejler ydeevnen på ukendte sårbarheder eller under virkelige forhold.

Ifølge Aikido er Altar-1 første skridt i Aikido Labs' plan om at udvikle dedikerede sikkerhedsmodeller til sårbarhedsforskning, kodeanalyse, automatiske rettelser og avanceret penetrationstest. Modellens vægte er offentliggjort på Hugging Face, og lokal implementering understøttes.

Teknisk note: Hugging Face-siden angiver Altar-1 som en model med omkring 504 milliarder parametre, mens tallet på 328 gigabyte refererer til størrelsen på INT4-vægtene. Aikido advarer om, at de to tal ikke er direkte sammenlignelige.