Aikido 推出 Altar-1：用于空气隔离渗透测试的 328 GB 模型

Aikido Security 今日正式发布了全新模型 Altar-1，这是一款基于 Z.AI GLM‑5.3 架构的开放权重 AI 模型，专为防御性安全工作负载而设计，旨在帮助组织在本地隔离环境中执行自主渗透测试。

该公司强调，模型的核心使命是确保所有源代码、架构文档以及任何未修复的安全发现永远不离开客户的内部基础设施，这一点对于受到严格监管且必须保持高度隔离的网络环境尤为关键。

模型压缩与架构细节

Altar-1 通过采用 AWQ INT4 量化技术并结合专家剪枝策略，将原始约 1.51 TB 的 BF16 精度模型压缩至仅 328 GB，同时保留了 256 个路由专家中的 168 个，并在每个 token 处理时激活八个专家，以维持推理质量。

Aikido 声称，在配备四块 NVIDIA H200 GPU 的单节点服务器上运行该模型时，借助 vLLM 框架能够支持高达 128 k token 的上下文窗口，这为大规模代码分析提供了足够的算力和内存空间。

训练数据来源与隐私保护

在模型校准阶段，Aikido 明确表示未使用任何客户的私有数据；训练数据主要由公开可获取的渗透测试轨迹、代码示例、工具调用模式、推理步骤以及多语言文本构成，全部来源于公开代码库和安全研究社区。

基准性能评估

内部基准测试针对 30 个代码库中的 32 条已知漏洞进行评估，Altar-1 的平均召回率为 60.4%，在三次独立运行中至少检测出 23 条漏洞，展示了在压缩后仍具备可观的检测能力。

全精度父模型在相同测试集上的召回率为 65.6%，能够检测到 25 条漏洞，这意味着 Altar-1 在激进压缩后仍保留约 92% 的原始覆盖率，性能衰减幅度较小。

• 压缩后大小：328 GB（原 1.51 TB）
• 量化方式：AWQ INT4
• 保留专家：256 中的 168，单 token 激活 8 个
• 硬件配置：单节点四块 NVIDIA H200 GPU
• 上下文窗口：128 k token

需要指出的是，此次基准测试仅由供应商自行执行，重点关注已知漏洞的召回率，未对模型在发现未知缺陷、验证利用链或生成修复建议方面的能力进行评估。

对于中国的企业和科研机构而言，Altar-1 提供了一种在严格隔离网络中嵌入自主渗透测试的实用方案，无需将敏感资产暴露给外部云服务，兼顾了安全合规与检测效率。

模型体积相对较小，使其能够在标准本地硬件上部署运行，而保留的检测覆盖率仍足以捕获大多数已知安全问题，为安全团队提供了更快速、独立的测试能力。

Aikido 还计划在后续版本中进一步优化专家剪枝策略，以提升在高复杂度代码库中的召回率，并探索更高效的量化方法，以降低硬件门槛。

与此同时，公司呼吁行业伙伴共享更多公开的渗透测试数据，以丰富训练语料库，促进开源安全模型的生态健康发展。

值得注意的是，Altar-1 仍然保持开放权重，用户可以在符合许可协议的前提下自行微调模型，以适配特定业务场景或行业合规要求。

在全球安全形势日益复杂的背景下，Aikido 通过推出 Altar-1 展示了其在本地化、隔离式 AI 安全工具方面的创新能力，期待为更多组织提供可靠的自主渗透测试手段。

本地化发布的最终目标是让中国用户能够在符合国家网络安全法和数据安全法的前提下，安全、合规地使用先进的 AI 渗透测试技术。