Aikido lanceert Altar-1: lokaal AI voor kwetsbaarheden

Het Belgische bedrijf Aikido Security heeft Altar-1 geïntroduceerd, een AI-model voor het opsporen van kwetsbaarheden en codeanalyse dat op de lokale infrastructuur van een organisatie kan draaien.

Aikido stelt dat de beschikbare modelgewichten en lokale inzet bedoeld zijn om de afhankelijkheid van clouddiensten te verkleinen en te voorkomen dat gevoelige code en beveiligingsresultaten de netwerkgrenzen verlaten.

Altar-1 is niet vanaf nul getraind. Aikido baseerde het op GLM-5.3 van Z.AI en verkleinde het model met quantisatie en het wegsnijden van experts.

Volgens Aikido is de volledige GLM-5.3 ongeveer 1,51 terabyte groot. Door quantisatie daalde dat naar 488 gigabyte, waarna pruning de omvang verder terugbracht tot 328 gigabyte.

Bij het pruningproces verwijderde Aikido 88 van de 256 expertsecties, oftewel ongeveer 34,4 procent van de experts.

Aikido zegt dat Altar-1 is geoptimaliseerd voor het identificeren van softwarekwetsbaarheden, codeanalyse, tool calls, redeneren en workflows voor penetratietests. Het model kan met vLLM op vier H200-GPU's draaien.

Het bedrijf benadrukt het belang van het model voor organisaties die niet kunnen toestaan dat code of beveiligingsgegevens interne netwerken verlaten, met name in de financiële sector, de zorg en kritieke infrastructuur.

Voor de evaluatie testte Aikido Altar-1 op een set van 32 bekende kwetsbaarheden in 30 code-repositories. Altar-1 detecteerde in totaal 60,4 procent van de kwetsbaarheden en vond van 23 van de 32 issues minstens één voorbeeld.

Ter vergelijking rapporteert Aikido een detectiegraad van 61,5 procent voor de gequantiseerde GLM-5.3 en 65,6 procent voor de oorspronkelijke GLM-5.3. Aikido voerde de test zelf uit en benadrukt dat de resultaten niet per se de prestaties bij onbekende kwetsbaarheden of in praktijksituaties weerspiegelen.

Aikido zegt dat Altar-1 de eerste stap is in het plan van Aikido Labs om gespecialiseerde beveiligingsmodellen te ontwikkelen voor kwetsbaarheidsonderzoek, codeanalyse, geautomatiseerde fixes en geavanceerde penetratietests. De modelgewichten zijn gepubliceerd op Hugging Face en lokale inzet wordt ondersteund.

Technische toelichting: op de Hugging Face-pagina wordt Altar-1 vermeld als een model met ongeveer 504 miljard parameters, terwijl de waarde van 328 gigabyte betrekking heeft op de omvang van de INT4-gewichten. Aikido waarschuwt dat deze twee cijfers niet gelijkwaardig zijn.