9月22日消息，比利时安全公司 Aikido Security 于当地时间9月21日发布安全模型 Altar-1，并称其为首个开源权重的防御向安全模型。模型权重已在 Hugging Face 开放下载，企业可以把模型部署在自己的基础设施里，包括完全断网的物理隔离环境，而不必把源代码交给第三方推理服务。
Aikido Security 总部位于比利时根特，成立于 2022 年，主打面向开发者的应用安全平台。2026年1月，该公司完成 6000 万美元融资，估值达到 10 亿美元，跻身独角兽。Altar-1 出自其研究部门 Aikido Labs，首先服务于自家的自动渗透测试一体机 Aikido Machine。
从 1.51TB 压到 328GB，召回只掉了约 1 个百分点
Altar-1 的底座是 GLM-5.3。据 Aikido 官方博客披露，满血版 GLM-5.3 的权重体积为 1.51TB，经 AWQ INT4 量化后降至 488GB，再经过专家剪枝压到 328GB，整体缩减 78.2%。剪枝采用的是 Cerebras 的 REAP 方法，按路由器权重和专家输出幅度估算每个专家的贡献，每层保留 256 个路由专家中的 168 个。
压缩换来的能力损失，账面上很小。Aikido 用一套内部基准做了验证：32 个已知漏洞、分布在 30 个代码仓库、每个案例运行三次。Altar-1 的平均召回率为 60.4%，三次运行合计重新发现其中 23 个漏洞。作为对照，量化版 GLM-5.3 的平均召回为 61.5%，覆盖同样 23 个；满血版为 65.6%，覆盖 25 个。也就是说，权重再砍掉三分之一，代价是平均召回下降约 1 个百分点，漏洞覆盖率与量化底座持平。需要说明的是，这套基准是 Aikido 的内部已知漏洞集，衡量的是在流水线中重新发现指定漏洞的能力，不是对整个代码库的盲测，目前也没有第三方复测结果。
为什么压缩的代价能这么小，官方给出的解释是：安全任务只调用混合专家模型里的一小片专家。代码审计、补丁建议、渗透测试这类工作负载集中在少数专家上，其余专家占了内存却很少被激活。剪枝按渗透测试真实运行轨迹来挑选保留对象，相当于按领域需求裁掉冗余容量，而不是均匀瘦身。
代码不出内网：这个选项为谁而存在
Altar-1 瞄准的是一类此前被排除在安全 AI 之外的客户。使用闭源前沿模型做安全分析，意味着源代码、内部架构文档和未修复的漏洞清单要离开企业网络。对有数据驻留要求的银行、受严格数据处理规则约束的医疗机构，以及根本不通外网的工业控制环境来说，这不是愿不愿意的问题，是允不允许的问题。Anthropic 的 Project Glasswing、XBOW 的自主渗透系统已经能自动发现真实软件中的漏洞，但都运行在厂商自己的云上。
据 Aikido 披露，Altar-1 在完成评测后已部署到 Aikido Machine 机队，随后在一次客户生产环境的渗透测试中识别出一个有效的高危漏洞。该案例未披露客户名称与漏洞细节。部署门槛方面，官方口径是一台 4 张 H200 的节点加上最新版 vLLM 即可运行，这一能力还将扩展到 AI 渗透测试产品 Aikido Attack、代码安全审计和 Deep PR Review。
安全 AI 的部署形态多了一个选项，能力接近底座的开源权重可以在客户自己的机房里跑。受益的是那些被合规和隔离要求挡在云端安全 AI 门外的企业，他们有了一个不用把代码送出去的可用选项。压缩账划算的原因也很具体：安全任务只用得到专家池的一小片，剪掉三分之一的权重只损失约 1 个百分点的召回。
AI 速览
