Aikido lance Altar-1 : modèle IA de 328 Go pour tests d’intrusion en environnement isolé

Présentation d’Altar-1

Aikido Security a annoncé la sortie d’Altar-1, un modèle à poids ouvert construit sur l’architecture GLM‑5.3 de Z.AI et destiné aux charges de travail de sécurité défensive. Ce nouveau modèle s’inscrit dans la stratégie de l’entreprise visant à fournir des outils d’intelligence artificielle qui puissent être exploités sans dépendre d’infrastructures cloud externes.

L’objectif principal de l’entreprise est de garantir que le code source, les documents d’architecture et toute découverte non corrigée ne quittent jamais l’infrastructure du client, une exigence cruciale pour les réseaux hautement réglementés et isolés. Cette contrainte de souveraineté des données pousse Aikido à proposer une solution qui reste intégralement sur site, même pendant les phases de test les plus intensives.

Compression du modèle et architecture

Altar-1 a été compressé d’environ 1,51 To en précision BF16 à 328 Go grâce à la quantisation AWQ INT4 combinée à un élagage expert, conservant 168 des 256 experts d’origine et activant huit experts par jeton. Cette réduction de taille a été obtenue sans sacrifier la capacité du modèle à analyser de larges séquences de code.

Selon Aikido, le modèle s’exécute sur un nœud unique équipé de quatre GPU NVIDIA H200 via vLLM et supporte une fenêtre de contexte de 128 k jetons, ce qui le rend adapté à l’analyse de code à grande échelle. Le choix de vLLM permet de gérer efficacement la mémoire et d’optimiser le débit des requêtes même avec la contrainte de quantisation INT4.

Données d’entraînement et confidentialité

Aikido indique qu’aucune donnée client n’a été utilisée lors de la calibration. Les données d’entraînement comprenaient des traces de tests d’intrusion, des exemples de code, des modèles d’appel d’outils, des étapes de raisonnement et des textes multilingues, tous provenant de dépôts publics. Cette approche garantit que le modèle ne porte aucune information sensible propre aux organisations qui l’adoptent.

Performances au benchmark

Dans un benchmark interne couvrant 32 vulnérabilités connues sur 30 dépôts, Altar-1 a atteint un rappel moyen de 60,4 % et a identifié 23 vulnérabilités au moins une fois sur trois exécutions. Ces résultats montrent que le modèle conserve une capacité de détection solide malgré la compression.

Le modèle parent en pleine précision a enregistré un rappel de 65,6 % et trouvé 25 vulnérabilités, ce qui signifie qu’Altar-1 a conservé environ 92 % de la couverture initiale malgré la compression agressive. Cette perte marginale est jugée acceptable pour les environnements où la confidentialité prime sur la performance brute.

• Taille compressée : 328 Go (contre 1,51 To)
• Quantisation : AWQ INT4
• Experts conservés : 168 sur 256, huit actifs par jeton
• Matériel : quatre GPU NVIDIA H200 sur un seul nœud
• Fenêtre de contexte : 128 k jetons

Le benchmark est réalisé par le fournisseur et se concentre uniquement sur le rappel des vulnérabilités connues ; il n’évalue pas la capacité du modèle à découvrir des failles inconnues, à valider des exploits ou à générer des recommandations de remédiation. Cette limitation doit être prise en compte par les équipes qui envisagent d’utiliser Altar-1 comme unique source d’analyse.

Déploiement et exigences matérielles

Pour les organisations francophones, Altar-1 offre une manière pratique d’intégrer des tests d’intrusion autonomes au sein d’environnements isolés sans exposer les actifs sensibles à des services cloud externes. Son empreinte réduite permet un déploiement sur du matériel standard en salle serveur, tout en conservant une couverture suffisante pour détecter la plupart des problèmes connus.

Le fait de pouvoir exécuter le modèle sur un nœud unique avec quatre GPU NVIDIA H200 simplifie considérablement la logistique d’installation. Les équipes de sécurité n’ont plus besoin de recourir à des clusters complexes ou à des solutions de mise à l’échelle horizontale, ce qui réduit les coûts d’exploitation et accélère le time‑to‑value.

En pratique, les analystes peuvent lancer des scénarios de test d’intrusion directement depuis l’environnement isolé, obtenir des rapports de vulnérabilité en temps réel et itérer sans attendre de transfert de données vers un serveur distant. Cette autonomie renforce la rapidité des cycles de remediation.

Il convient toutefois de rappeler que la capacité du modèle à générer des recommandations de mitigation reste limitée à ce qui a été appris sur les jeux de données publics. Les organisations devront donc compléter les résultats d’Altar-1 avec une expertise humaine pour valider les pistes d’action.

En résumé, Altar-1 représente une avancée notable dans le domaine des IA de sécurité autonomes, en conciliant compression agressive, respect strict de la confidentialité et performances acceptables pour les tests d’intrusion classiques.

Pour les équipes basées en France, en Belgique ou en Suisse, le modèle constitue un atout stratégique permettant de répondre aux exigences de la législation locale sur la souveraineté des données, tout en bénéficiant d’une technologie de pointe développée à partir du GLM‑5.3 de Z.AI.