Aikido 推出 Altar-1：328 GB 開放式模型，用於空氣斷層的自動滲透測試

Aikido Security 推出全新 Altar-1 模型概覽

Aikido Security 今日正式發布 Altar-1，這是一款以 Z.AI 的 GLM‑5.3 為基礎，經過深度裁剪與量化的開放式 AI 模型，專為防禦性安全工作負載而設計，特別適用於空氣斷層（air‑gapped）環境中的自動滲透測試需求。

此模型的核心目標在於確保所有來源程式碼、系統架構文件以及任何尚未修復的安全發現，永遠不會離開客戶的內部基礎設施，避免因資料外洩而產生的合規與信任風險，對於高度受管制且必須保持嚴格隔離的網路環境而言，意義尤為重大。

模型壓縮技術與架構細節

Altar-1 採用了 AWQ INT4 量化技術結合專家修剪策略，將原始約 1.51 TB 的 BF16 精度模型壓縮至僅 328 GB，壓縮比例超過 80%。在此過程中，模型保留了 256 位專家中的 168 位，並在每個 token 上啟用八位專家，以維持推理效能與語意理解的深度。

根據 Aikido 官方說明，Altar-1 能在單一節點上運行，配備四顆 NVIDIA H200 GPU，並使用 vLLM 作為推理引擎，支援高達 128 k token 的上下文視窗，這使得它在大型程式碼庫的靜態分析與漏洞掃描方面具備相當的處理能力。

訓練資料來源與隱私保護

在模型校準與微調階段，Aikido 明確表示未使用任何客戶的私有資料。所採用的訓練資料包括公開的滲透測試追蹤、程式碼範例、工具呼叫模式、推理步驟說明以及多語言文字說明，全部均取自可自由取得的開源資源庫，確保了資料使用的合法性與透明度。

效能基準測試結果

Aikido 於內部基準測試中，挑選了 30 個資源庫中的 32 個已知漏洞作為測試目標。Altar-1 的平均召回率達到 60.4%，且在三次執行的測試中，至少一次能偵測到 23 個漏洞，顯示模型在壓縮後仍具備相當的漏洞偵測能力。

作為對照，完整精度的母模型（未壓縮前）在相同測試條件下的召回率為 65.6%，偵測到 25 個漏洞。這意味著 Altar-1 在激進壓縮後仍保留約 92% 的原始覆蓋率，證明量化與修剪策略的有效性。

• 壓縮後大小：328 GB（原 1.51 TB）
• 量化方式：AWQ INT4
• 保留的專家數：256 中的 168， 每 token 啟用 8 位
• 硬體配置：單節點四顆 NVIDIA H200 GPU
• 上下文視窗：128 k token

值得注意的是，這項基準測試完全由供應商自行執行，測試範圍僅聚焦於已知漏洞的召回率，未對模型在發掘未知缺陷、驗證利用方式或產生修補建議方面的能力進行評估。

對於以中文為主要作業語言的組織而言，Altar-1 提供了一種在嚴格隔離環境中嵌入自動化滲透測試的實用方案，無需將敏感資產暴露於外部雲端服務。其縮減的體積允許在標準本地硬體上部署，同時保留大部分已知問題偵測能力，使安全團隊能更快速、獨立地執行測試。

此外，Aikido 亦強調模型的可擴展性與可定制性，使用者可以根據自身的安全需求，進一步微調模型或加入自家內部的漏洞庫，從而提升對特定應用場景的偵測精度。

在未來的路線圖中，Aikido 計畫持續優化 Altar-1 的推理速度與記憶體佔用，並探索引入更先進的稀疏化技術，以期在保持高安全性與隱私保護的前提下，進一步降低部署門檻。

總結而言，Altar-1 以其 328 GB 的輕量化體態、支援 128 k token 的長上下文以及在單節點四顆 NVIDIA H200 GPU 上的即時運行能力，為需要在空氣斷層環境中執行自動滲透測試的安全團隊提供了一個兼具效率與合規性的全新選項。

本篇報導於 2026 年 9 月 25 日 17:00:48（UTC）發布，所有資訊均根據 Aikido Security 官方公告與兩家業界媒體的報導整理而成。