Altar-1: Lokales KI-Modell zur Schwachstellenanalyse

Das belgische Unternehmen Aikido Security hat Altar-1 vorgestellt, ein KI-Modell zur Schwachstellenerkennung und Codeanalyse, das innerhalb der lokalen Infrastruktur einer Organisation betrieben werden kann.

Laut Aikido sollen die öffentlich verfügbaren Modellgewichte und die lokale Bereitstellung die Abhängigkeit von Cloud-Diensten verringern und verhindern, dass sensibler Code sowie Sicherheitsergebnisse das interne Netzwerk verlassen.

Altar-1 wurde nicht von Grund auf trainiert. Aikido basiert das Modell auf Z.AIs GLM-5.3 und verkleinerte es mithilfe von Quantisierung und Experten-Pruning.

Nach Angaben von Aikido benötigt das vollständige GLM-5.3 rund 1,51 Terabyte Speicherplatz. Durch Quantisierung wurde es auf 488 Gigabyte reduziert, durch weiteres Pruning auf 328 Gigabyte.

Beim Pruning entfernte Aikido 88 von 256 Experten, also rund 34,4 Prozent.

Aikido zufolge ist Altar-1 für die Erkennung von Software-Schwachstellen, Codeanalyse, Tool-Aufrufe, Reasoning und Penetrationstest-Workflows optimiert. Das Modell soll mit vLLM auf vier H200-GPUs laufen.

Das Unternehmen hebt die Relevanz des Modells für Organisationen hervor, die nicht zulassen können, dass Code oder Sicherheitsdaten das interne Netzwerk verlassen – insbesondere im Finanzwesen, Gesundheitswesen und bei kritischen Infrastrukturen.

Für die Bewertung testete Aikido Altar-1 mit einem Datensatz aus 32 bekannten Schwachstellen in 30 Code-Repositories. Altar-1 erkannte insgesamt 60,4 Prozent der Schwachstellen und fand bei 23 der 32 Probleme mindestens eine Instanz.

Zum Vergleich nennt Aikido eine Erkennungsrate von 61,5 Prozent für das quantisierte GLM-5.3 und 65,6 Prozent für das ursprüngliche GLM-5.3. Aikido führte den Test selbst durch und weist darauf hin, dass die Ergebnisse nicht zwangsläufig die Leistung bei unbekannten Schwachstellen oder unter realen Bedingungen widerspiegeln.

Aikido bezeichnet Altar-1 als ersten Schritt im Plan von Aikido Labs, spezialisierte Sicherheitsmodelle für Schwachstellenforschung, Codeanalyse, automatisierte Fixes und fortgeschrittene Penetrationstests zu entwickeln. Die Modellgewichte wurden auf Hugging Face veröffentlicht, eine lokale Bereitstellung wird unterstützt.

Technischer Hinweis: Auf der Hugging-Face-Seite wird Altar-1 als Modell mit rund 504 Milliarden Parametern aufgeführt, während sich die Angabe von 328 Gigabyte auf die Größe der INT4-Gewichte bezieht. Aikido weist darauf hin, dass diese beiden Werte nicht gleichzusetzen sind.