Aikido lanza Altar-1: 328 GB para pruebas de penetración aisladas

Aikido Security presenta Altar-1, un modelo abierto de 328 GB

Aikido Security anunció el lanzamiento de Altar-1, un modelo de peso abierto construido sobre la arquitectura GLM‑5.3 de Z.AI y dirigido a cargas de trabajo de seguridad defensiva, con el objetivo de ofrecer una herramienta de inteligencia artificial apta para pruebas de penetración autónomas en entornos totalmente aislados.

La propuesta central de la compañía es garantizar que el código fuente, los documentos de arquitectura y cualquier hallazgo no remediado permanezcan dentro de la infraestructura del cliente, evitando cualquier fuga de información hacia la nube pública, requisito esencial para redes altamente reguladas y aisladas.

Compresión del modelo y arquitectura técnica

Altar-1 se comprimió de aproximadamente 1,51 TB en precisión BF16 a 328 GB mediante cuantización AWQ INT4 combinada con poda experta, proceso que conserva 168 de los 256 expertos originales y activa ocho expertos por token, manteniendo una capacidad de razonamiento comparable al modelo original.

Según Aikido, el modelo funciona en un único nodo equipado con cuatro GPUs NVIDIA H200 a través de vLLM y soporta una ventana de contexto de 128 k tokens, lo que lo hace apto para análisis de código a gran escala y para procesar secuencias extensas sin perder coherencia.

Datos de entrenamiento y consideraciones de privacidad

Aikido afirma que no se utilizó ningún dato de cliente durante la calibración. Los datos de entrenamiento incluyeron trazas de pruebas de penetración, ejemplos de código, patrones de invocación de herramientas, pasos de razonamiento y texto multilingüe, todos obtenidos de repositorios de acceso público y bajo licencias compatibles.

Rendimiento en pruebas de referencia

En una prueba interna que cubrió 32 vulnerabilidades conocidas en 30 repositorios, Altar-1 alcanzó un recall medio del 60,4 % e identificó 23 vulnerabilidades al menos una vez en tres ejecuciones, demostrando una capacidad consistente de detección bajo condiciones controladas.

El modelo padre de precisión completa registró un recall del 65,6 % y encontró 25 vulnerabilidades, lo que indica que Altar‑1 retuvo alrededor del 92 % de la cobertura original pese a la compresión agresiva, un resultado destacado para un modelo de tamaño reducido.

• Tamaño comprimido: 328 GB (de 1,51 TB)
• Cuantización: AWQ INT4
• Expertos conservados: 168 de 256, ocho activos por token
• Hardware: cuatro GPUs NVIDIA H200 en un único nodo
• Ventana de contexto: 128 k tokens

La prueba de referencia es realizada por el propio proveedor y se centra exclusivamente en el recall de vulnerabilidades conocidas; no evalúa la capacidad del modelo para descubrir fallas desconocidas, validar exploits o generar guías de remediación, aspectos que seguirán siendo objeto de estudios externos.

Para organizaciones de habla hispana, Altar‑1 ofrece una forma práctica de integrar pruebas de penetración autónomas en entornos aislados sin exponer activos sensibles a servicios en la nube externos, alineándose con normativas locales de protección de datos.

Su reducido tamaño permite su despliegue en hardware local estándar, lo que reduce la dependencia de infraestructuras de cómputo externas y facilita la adopción en centros de datos con políticas de aire‑gap.

A pesar de la compresión, la cobertura conservada asegura que la mayoría de los problemas conocidos siguen siendo detectados, proporcionando a los equipos de seguridad una capacidad de pruebas más rápida y autocontenida.

El modelo está disponible bajo una licencia abierta que permite su adaptación y personalización interna, siempre que se mantenga el principio de aislamiento de datos y se respeten los términos de uso de Z.AI.

Aikido Security ha subrayado que futuras versiones podrían incorporar actualizaciones de datos de entrenamiento sin comprometer la arquitectura aislada, mediante procesos de fine‑tuning seguros dentro del perímetro del cliente.

Perspectivas y consideraciones finales

En resumen, Altar‑1 representa un paso significativo hacia la democratización de herramientas de IA para ciberseguridad en entornos regulados, combinando una reducción de tamaño agresiva con una preservación notable de capacidad de detección, todo ello bajo un modelo de despliegue totalmente local.