Aikido lança Altar-1: modelo de 328 GB para testes de penetração em ambientes isolados

A Aikido Security anunciou o lançamento do Altar-1, um modelo de peso aberto construído sobre a arquitetura GLM‑5.3 da Z.AI e voltado para cargas de trabalho de segurança defensiva.

O objetivo principal da empresa é garantir que o código‑fonte, documentos de arquitetura e quaisquer vulnerabilidades não corrigidas nunca deixem a infraestrutura do cliente, requisito essencial para redes altamente reguladas e isoladas.

Compressão e arquitetura do modelo

O Altar-1 foi comprimido de aproximadamente 1,51 TB em precisão BF16 para 328 GB usando quantização AWQ INT4 combinada com poda de especialistas, processo que mantém 168 dos 256 especialistas originais e ativa oito especialistas por token.

Segundo a Aikido, o modelo opera em um único nó equipado com quatro GPUs NVIDIA H200 via vLLM e suporta uma janela de contexto de 128 k tokens, tornando‑o adequado para análises de código em larga escala.

Dados de treinamento e privacidade

A empresa afirma que nenhum dado de cliente foi usado durante a calibração. Os dados de treinamento consistiram em rastros de testes de penetração, exemplos de código, padrões de chamada de ferramentas, etapas de raciocínio e textos multilíngues, todos provenientes de repositórios públicos.

Desempenho em benchmarks

Em um benchmark interno que cobriu 32 vulnerabilidades conhecidas em 30 repositórios, o Altar-1 atingiu recall médio de 60,4 % e identificou 23 vulnerabilidades pelo menos uma vez em três execuções.

O modelo pai em precisão total registrou recall de 65,6 % e encontrou 25 vulnerabilidades, indicando que o Altar-1 manteve cerca de 92 % da cobertura original apesar da compressão agressiva.

• Tamanho comprimido: 328 GB (de 1,51 TB)
• Quantização: AWQ INT4
• Especialistas mantidos: 168 de 256, oito ativos por token
• Hardware: quatro GPUs NVIDIA H200 em um único nó
• Janela de contexto: 128 k tokens

O benchmark foi conduzido pela própria fornecedora e focado apenas no recall de vulnerabilidades conhecidas; ele não avalia a capacidade do modelo de descobrir falhas desconhecidas, validar exploits ou gerar orientações de mitigação.

A explicação detalhada do processo de compressão adotado no Altar-1 revela como a quantização AWQ INT4, combinada com a poda seletiva de especialistas, permite reduzir drasticamente o tamanho do modelo sem sacrificar de forma significativa a diversidade de conhecimento incorporado. Ao preservar 168 dos 256 especialistas originais e limitar a ativação a oito especialistas por token, o modelo mantém uma representação suficiente da variedade de padrões de código e de chamadas de ferramentas de teste, o que garante que a maioria das heurísticas de detecção de vulnerabilidade permanecem operacionais. Essa estratégia de compressão, embora agressiva, demonstra que a perda de parâmetros pode ser compensada por uma arquitetura de roteamento inteligente que prioriza os especialistas mais relevantes em tempo de inferência.

Os limites inerentes ao modelo surgem principalmente a partir da natureza da avaliação de desempenho, que se restringe ao recall de vulnerabilidades já catalogadas em repositórios públicos. Essa abordagem não contempla a capacidade do Altar-1 de identificar falhas zero‑day ou vulnerabilidades emergentes que não estejam presentes no conjunto de teste. Além disso, a dependência de um único nó com quatro GPUs H200 pode representar um gargalo em cenários de carga intensiva, onde múltiplas solicitações simultâneas exigiriam escalabilidade horizontal, algo que o design atual não aborda explicitamente.

A verificação dos resultados do benchmark interno, embora mostre uma retenção de 92 % da cobertura original, carece de validação externa e de métricas complementares, como taxa de falsos positivos, tempo médio de resposta e robustez frente a inputs adversariais. Sem um conjunto de testes independente, a confiabilidade dos números apresentados permanece limitada a condições controladas pela própria Aikido, o que pode inflar a percepção de eficácia quando o modelo for implantado em ambientes reais com variações de código e de configuração de rede.

As consequências práticas para organizações que adotarem o Altar-1 incluem a possibilidade de executar testes de penetração autônomos dentro de redes totalmente isoladas, eliminando a necessidade de exportar dados sensíveis para serviços de nuvem externos. Essa autonomia reduz o risco de vazamento de informações confidenciais e atende a requisitos regulatórios estritos, ao mesmo tempo em que permite que equipes de segurança acelerem ciclos de avaliação, já que o modelo pode ser executado localmente sem depender de latências de rede externas.

No entanto, a adoção do Altar-1 implica a necessidade de investimento em hardware compatível, especificamente em GPUs da série H200, e de treinamento da equipe para operar o pipeline de inferência via vLLM. As organizações devem ainda estabelecer processos de monitoramento para detectar possíveis degradações de desempenho ao longo do tempo, bem como rotinas de atualização do modelo que considerem a introdução de novos especialistas ou a re‑poda de especialistas existentes, garantindo que a eficácia não diminua à medida que novas vulnerabilidades surgem.

Em termos de estratégia de segurança, o Altar-1 oferece um ponto de partida sólido para a integração de inteligência artificial em fluxos de trabalho de teste de penetração, mas sua efetividade dependerá de complementos críticos: validação externa dos resultados, expansão da capacidade de processamento para suportar demandas simultâneas e a implementação de mecanismos de atualização contínua que mantenham o modelo alinhado com o panorama de ameaças em constante evolução.

Para organizações brasileiras, o Altar-1 oferece uma forma prática de incorporar testes de penetração autônomos em ambientes isolados sem expor ativos sensíveis a serviços de nuvem externos. O tamanho reduzido permite a implantação em hardware on‑premises padrão, enquanto a cobertura mantida assegura que a maioria dos problemas conhecidos ainda seja detectada, proporcionando às equipes de segurança uma capacidade de teste mais rápida e autônoma.