Aikido stellt Altar-1 vor: 328 GB KI‑Modell für luftisolierte Pen‑Tests

Aikero Security hat die offizielle Freigabe von Altar-1 angekündigt, einem Open‑Weight‑KI‑Modell, das auf der GLM‑5.3‑Architektur von Z.AI aufbaut und speziell für defensive Sicherheits‑Workloads entwickelt wurde. Das Modell richtet sich an Unternehmen, die hochsensible Pen‑Testing‑Aufgaben in streng isolierten Netzwerken durchführen müssen.

Das übergeordnete Ziel von Aikero besteht darin, zu garantieren, dass Quellcode, Architekturdokumente und ungepatchte Befunde niemals die Kundeninfrastruktur verlassen. Diese Anforderung ist besonders wichtig für stark regulierte Branchen wie Finanzwesen, Gesundheitswesen und kritische Infrastrukturen, in denen jede Datenexfiltration streng verboten ist.

Modellkompression und Architektur

Altar‑1 wurde aus einem Ausgangs‑Datensatz von etwa 1,51 TB in BF16‑Präzision durch eine Kombination aus AWQ‑INT4‑Quantisierung und gezieltem Pruning auf eine finale Größe von 328 GB komprimiert. Trotz dieser starken Reduktion bleiben 168 der ursprünglichen 256 gerouteten Experten erhalten, wobei pro Token acht Experten gleichzeitig aktiv sind, um die Kontextualisierung zu sichern.

Die Kompression nutzt eine mehrstufige Pipeline: zunächst wird das Modell in BF16‑Format geladen, anschließend erfolgt eine INT4‑Quantisierung, gefolgt von einem strukturierten Pruning, das nur die am wenigsten genutzten Experten entfernt. Dieser Ansatz bewahrt die kritischen Wissensbereiche, die für Code‑Analyse und Schwachstellen‑Erkennung relevant sind.

Laut Angaben von Aikero läuft das Modell auf einem einzelnen Knoten, der mit vier NVIDIA H200‑GPUs ausgestattet ist und über die vLLM‑Runtime gesteuert wird. Das System unterstützt ein Kontextfenster von 128 k Token, was besonders für umfangreiche Code‑Basen und lange Sicherheits‑Reports von Vorteil ist.

Trainingsdaten und Datenschutz

Aikero betont, dass während der Kalibrierungs‑ und Trainingsphase keinerlei Kundendaten verwendet wurden. Stattdessen stammten die Trainingsdaten aus öffentlich zugänglichen Repositorien und bestanden aus Pen‑Testing‑Spuren, Code‑Beispielen, typischen Tool‑Aufruf‑Mustern, Argumentationsschritten sowie mehrsprachigen Texten, die alle frei verfügbar waren.

Die Datenbasis wurde sorgfältig gefiltert, um sicherzustellen, dass keine proprietären oder vertraulichen Informationen enthalten sind. Zusätzlich wurden alle Quellen auf Lizenzkonformität geprüft, um rechtliche Risiken zu minimieren.

Benchmark‑Leistung

In einem internen Benchmark, der 32 bekannte Schwachstellen in 30 unterschiedlichen Open‑Source‑Repositorien abdeckte, erreichte Altar‑1 eine durchschnittliche Trefferquote von 60,4 %. Das Modell identifizierte 23 Schwachstellen mindestens einmal in drei unabhängigen Durchläufen, was die Zuverlässigkeit bei wiederholten Scans unterstreicht.

Das Voll‑Präzisions‑Basis­modell, das als Referenz diente, erzielte eine Trefferquote von 65,6 % und fand 25 Schwachstellen. Damit behält Altar‑1 trotz der aggressiven Kompression etwa 92 % der ursprünglichen Abdeckung bei, was ein beachtlicher Erfolg ist.

Der Benchmark wurde ausschließlich vom Anbieter selbst durchgeführt und fokussierte sich auf die Rückruf‑Rate bekannter Schwachstellen. Er bewertet nicht die Fähigkeit des Modells, völlig neue Fehler zu entdecken, Exploits zu validieren oder automatisierte Gegenmaßnahmen zu generieren.

• Komprimierte Größe: 328 GB (von 1,51 TB)
• Quantisierung: AWQ INT4
• Erhaltene Experten: 168 von 256, acht aktiv pro Token
• Hardware: vier NVIDIA H200‑GPUs auf einem einzelnen Knoten
• Kontextfenster: 128 k Token

Für deutschsprachige Unternehmen bietet Altar‑1 eine praktikable Möglichkeit, autonome Pen‑Tests in vollständig luftisolierten On‑Premise‑Umgebungen zu integrieren, ohne sensible Daten an externe Cloud‑Dienste zu übermitteln. Der reduzierte Footprint ermöglicht den Einsatz auf Standard‑On‑Premise‑Hardware, während die erhaltene Abdeckung sicherstellt, dass die meisten bekannten Probleme weiterhin erkannt werden.

Durch die offene Gewichtung des Modells können Sicherheitsteams das Modell nach Bedarf weiter anpassen, indem sie eigene Experten hinzufügen oder entfernen, ohne die Grundarchitektur zu verändern. Diese Flexibilität unterstützt maßgeschneiderte Sicherheits‑Workflows und erleichtert die Integration in bestehende CI/CD‑Pipelines.

Aikero plant, in den kommenden Monaten zusätzliche Trainingsrunden mit aktualisierten öffentlichen Repositorien durchzuführen, um die Erkennungsrate für neu auftretende Schwachstellen zu erhöhen. Gleichzeitig wird ein Monitoring‑Framework bereitgestellt, das die Modellleistung kontinuierlich misst und automatisierte Updates ermöglicht.

Ein weiteres Feature ist die Möglichkeit, das Modell in einer hybriden Umgebung zu betreiben, bei der kritische Analyse‑Tasks lokal ausgeführt werden, während nicht‑sensible Vorverarbeitungs‑Schritte optional in einer privaten Cloud stattfinden können. Dies eröffnet Unternehmen eine graduelle Migration, ohne die Sicherheits‑Grenzen zu verletzen.

Abschließend lässt sich festhalten, dass Altar‑1 mit seiner kompakten Größe, der hohen Experten‑Dichte und der Unterstützung großer Kontextfenster ein bedeutender Schritt für die sichere KI‑gestützte Pen‑Testing‑Praxis darstellt. Die Kombination aus technischer Innovation und striktem Datenschutz macht das Modell zu einer attraktiven Option für Unternehmen, die ihre Sicherheits‑Posture ohne Kompromisse stärken wollen.