Cantina Security با همکاری Yeta Labs مدل apex-flash-1 را منتشر کرد؛ یک مدل با وزن‌های باز که اختصاصاً برای پژوهش آسیب‌پذیری نرم‌افزار آموزش دیده است. این مدل از fine-tune با روش GRPO روی GLM-5.3-Flash شرکت Z.ai به‌دست آمده و با مجوز MIT روی Hugging Face قرار گرفته است.

ساختار مدل و داده‌های آموزش#

apex-flash-1 دارای ۳۲۱/۳ میلیارد پارامتر کل است (مدل پایه MoE با ۱۸ میلیارد پارامتر فعال). آموزش با LoRA رتبه ۲۵۶ و بخشی full-parameter انجام شده و داده‌های آن شامل ۱۵۰ تسک ساخته‌شده از ۵۰ مورد آسیب‌پذیری واقعی است. هر مورد در سه واریانت ارائه شده: guided whitebox، focused whitebox و focused blackbox.

توزیع نوع آسیب‌پذیری‌ها: ۷۲ درصد مربوط به نقص‌های authorization، هویت و scope، ۱۸ درصد باگ‌های حسابداری و دقت عددی، و بقیه شامل اعتبارسنجی زمانی، قوانین تجاری و SSRF است. Rollout‌های RL در محیط agent harness Codex روی نرم‌افزار و پروتکل‌های شبیه محیط production اجرا شده‌اند.

نتایج ارزیابی#

در یک benchmark داخلی شامل ۶۰ تسک از ۲۰ مورد آسیب‌پذیری held-out:

  • apex-flash-1: ۴۰/۶۰ حل‌شده (۶۶/۷ درصد pass@1)، هزینه حدود ۲/۳۸ دلار
  • GLM-5.3-Flash (پایه): ۳۶/۶۰ حل‌شده (۶۰/۰ درصد)، هزینه حدود ۴/۵۶ دلار
  • Claude Opus 5 High: ۴۳/۶۰ حل‌شده (۷۱/۷ درصد)، هزینه حدود ۷۴/۶۸ دلار

Opus سه تسک بیشتر حل کرده ولی هزینه هر اجرای آن حدود ۳۱ برابر بیشتر است. به‌ازای هر تسک حل‌شده، apex-flash-1 حدود ۰/۰۶ دلار و Opus حدود ۱/۷۴ دلار مصرف می‌کند. این اعداد company-reported روی benchmark داخلی هستند.

محدودیت سخت‌افزاری و جایگاه معماری#

مدل با BF16 حدود ۶۴۰ گیگابایت حافظه GPU نیاز دارد و روی vLLM، SGLang و Transformers قابل سرو است. Cantina آن را نه به‌عنوان orchestrator، بلکه به‌عنوان worker مدل‌بندی می‌کند که توسط یک مدل بزرگ‌تر هماهنگ می‌شود. مهارت‌های هدف شامل خواندن کد، استفاده از ابزار، توسعه exploit و verification است. یک واریانت آزمایشی به نام apex-flash-1-abliterated با رفتار refusal اصلاح‌شده نیز منتشر شده که به‌طور جداگانه ارزیابی نشده است.

این خبر برای کسی که امروز ایجنت امنیتی می‌سازد چه معنایی دارد#

مقایسه هزینه به ازای تسک حل‌شده (۰/۰۶ دلار در برابر ۱/۷۴ دلار) جذاب است، اما شرط اصلی آن را فراموش نکنید: یک نود چند-GPU با ۶۴۰ گیگابایت حافظه. اگر به چنین سخت‌افزاری دسترسی ندارید، این مدل عملاً در دسترس نیست و community 4-bit ports هم هنوز در متن منبع ارزیابی نشده‌اند. نکته دوم: فاصله ۵ درصدی بین apex-flash-1 و Opus در benchmark داخلی یک شرکت خاص، به‌تنهایی کافی نیست تا بگویید مدل باز به سطح مدل بسته رسیده است. سومین و مهم‌ترین نکته، معماری worker/orchestrator است: Cantina فرض را بر این گذاشته که یک مدل بزرگ‌تر برنامه‌ریزی می‌کند و این مدل کار اجرایی را انجام می‌دهد. اگر ایجنت شما تک‌مدلی است، این خبر مستقیماً جایگزین مدل فعلی شما نیست؛ بلکه در معماری چندمدلی با تفکیک نقش‌ها معنا پیدا می‌کند.

منبع: MarkTechPost