Aikido Security ha presentado Altar-1, un modelo de inteligencia artificial de pesos abiertos diseñado para ejecutar tareas de ciberseguridad defensiva íntegramente dentro de la infraestructura propia de una organización. El objetivo de este modelo es permitir que los equipos de seguridad realicen el descubrimiento de vulnerabilidades y pruebas de penetración mediante IA avanzada sin necesidad de enviar código fuente, documentación interna o hallazgos de seguridad a servicios de inferencia externos en la nube.

Aikido Security ha presentado Altar-1, un modelo de inteligencia artificial de pesos abiertos diseñado para ejecutar cargas de trabajo de ciberseguridad defensiva totalmente dentro de la propia infraestructura de tu organización.

El modelo tiene como objetivo ayudarte a que tu equipo de seguridad utilice IA avanzada para el descubrimiento de vulnerabilidades y pruebas de penetración sin enviar código fuente, documentación interna o hallazgos de seguridad a servicios de inferencia externos basados en la nube.

Altar-1 está creado para organizaciones con requisitos operativos, regulatorios o de privacidad estrictos. Estos incluyen bancos con obligaciones de residencia de datos, proveedores de salud que manejan información sensible de pacientes y organizaciones industriales con entornos de tecnología operativa aislados o con "air-gap".

Al mantener tanto el modelo como los datos bajo tu control, Aikido posiciona a Altar-1 como una opción de inteligencia de seguridad soberana.
El modelo impulsa Aikido Machine, el dispositivo de pentesting autónomo de la compañía.

Aikido Machine está diseñado para operar dentro de tus entornos e identificar, explotar y validar continuamente las debilidades en toda una superficie de ataque.

Altar-1 añade capacidades de razonamiento de IA local a ese flujo de trabajo, permitiendo que las pruebas de seguridad procesen contexto técnico sensible sin transmitirlo a un tercero.

Aikido Security presenta Altar-1

Aikido creó Altar-1 a partir del modelo de pesos abiertos GLM-5.3 de Z.AI, reduciendo su huella de almacenamiento de 1.51 TB a 328 GB. La empresa aplicó primero la cuantización AWQ INT4, reduciendo el modelo a 488.2 GB, y luego utilizó una poda de expertos para eliminar los componentes menos relevantes para las cargas de trabajo de seguridad específicas.

Los modelos de mezcla de expertos (Mixture-of-experts) contienen muchos componentes de red neuronal especializados, conocidos como expertos. Durante la inferencia, solo se selecciona un número limitado para cada token. Sin embargo, el conjunto más amplio de expertos normalmente sigue requiriendo una memoria sustancial.

Aikido afirmó que conservó 168 de los 256 expertos enrutados originales en cada capa troncal y eliminó 88 expertos. El resultado representa una reducción del 78.2 por ciento respecto al modelo original de precisión completa y una reducción del 32.8 por ciento respecto al punto de control ya cuantizado.

Para decidir qué expertos conservar, Aikido utilizó trazas de evaluaciones internas de pentesting en lugar de datos de clientes. Estas trazas incluyeron código representativo, llamadas a herramientas y respuestas de agentes generadas durante flujos de trabajo de pruebas de seguridad.

La compañía también incorporó texto multilingüe durante la calibración para mantener la comprensión del lenguaje necesaria para revisar documentación, reglas de negocio, comportamiento de aplicaciones e interfaces de usuario en diferentes idiomas.

Aikido utilizó Cerebras REAP (Poda de Activación de Expertos ponderada por enrutador) para seleccionar expertos basados en los pesos del enrutador y la magnitud de la salida, preservando las capacidades de razonamiento de lenguaje natural, ciberseguridad y programación.

En una evaluación interna que cubrió 32 vulnerabilidades conocidas en 30 repositorios, Altar-1 logró un recall promedio del 60.4 por ciento por ejecución. Redescubrió 23 de las 32 vulnerabilidades al menos una vez a lo largo de tres ejecuciones.

El modelo GLM-5.3 cuantizado pero no podado alcanzó un recall del 61.5 por ciento y encontró las mismas 23 vulnerabilidades. En comparación, el modelo padre de precisión completa logró un recall del 65.6 por ciento e identificó 25 vulnerabilidades.

Aikido señaló que, por lo tanto, Altar-1 conservó el 92 por ciento de la cobertura de vulnerabilidades del modelo completo, reduciendo significativamente la infraestructura necesaria para servirlo.

El modelo está disponible a través de la organización de Aikido en Hugging Face y puede desplegarse en un nodo con cuatro GPUs NVIDIA H200 utilizando vLLM.

La empresa dijo que planea optimizar aún más el modelo, explorar formatos de bits más bajos y ajustar versiones futuras para el análisis de código, la remediación, el uso de herramientas y flujos de trabajo de seguridad de larga duración.