2026-10-15
Ciberseguridad con modelos locales
En CyberGym y ExploitBench los modelos open-weights han desarrollado una capacidad ofensiva real. En local un SOC o un red team los usa sobre logs y código confidenciales sin filtrar nada, y sin los rechazos de una API pública.
La seguridad ofensiva y defensiva trabaja sobre material que no puede salir del perímetro: código propietario, logs de incidentes, datos de clientes. Es también el campo donde una API pública rechaza con más frecuencia peticiones legítimas: un análisis de exploit para un test de intrusión autorizado, por ejemplo. Ambos problemas desaparecen cuando el modelo corre en casa.
Una capacidad cyber ya concreta
Z.ai lo escribe de forma explícita en la ficha de GLM-5.3: la capacidad cyber emergió más rápido de lo previsto al escalar el post-training, con la mayor ganancia en la parte alta de la cadena de explotación, donde el modelo más que duplica a GLM-5.2. GLM-5.3 es estado del arte en CyberGym (84,5) para el descubrimiento de vulnerabilidades.
DeepSeek-V4.1-Flash lo supera: 88,1 en CyberGym y 62,8 en SEC-Bench Pro en la tabla de DeepSeek. MiMo-V2.6 incluye la ciberseguridad directamente en la fase de RL: la Flash-RL declara 95,1 en CyberGym, y la Pro 80,2 en MiMo Cyber Bench.
Las puntuaciones las declaran los fabricantes, con harnesses distintos, y miden sobre todo el análisis defensivo y el descubrimiento de vulnerabilidades, no la explotación real. Sirven para orientarse.
Modelos especializados y sin filtros
Para el trabajo de red team, el catálogo incluye variantes dedicadas, todas ejecutables tanto en local con Ollama como en GPU cloud:
- Qwen3.8-27B-Uncensored-Cyber: un modelo denso de 27 B, corre por completo en la VRAM de una RTX 5090. La ficha declara 100/100 en su conjunto de 100 prompts cyber-ofensivos (harness de rechazo por regex), sin perder factualidad ni matemáticas.
- OrcaSAQ-2-Cyber-27B: otra variante cyber de 27 B, en una RTX 5090 o en local con Ollama.
Estos modelos responden a preguntas de seguridad ofensiva que las API públicas filtran. La responsabilidad del uso y el cumplimiento de la ley recaen en quien los ejecuta: úsalos solo para actividades autorizadas.
Por qué en local, no vía API
- El material sensible se queda dentro. Logs, exploits, código y datos de clientes no pasan por un proveedor externo. El endpoint de SophyAI escucha en
127.0.0.1. - Ningún rechazo que bloquee el trabajo. Un análisis autorizado no debe detenerse porque un filtro remoto lo confunda con un abuso.
- Contextos largos. GLM-5.3, DeepSeek-V4.1-Flash y MiMo llegan a 1 M de tokens: una base de código entera o una larga traza de incidente entra en una sesión.
- Coste por hora. El triaje de un repositorio o el análisis de un volcado son procesos largos: pagas la GPU por tiempo y la apagas cuando terminas.
Los otros escenarios: agentes de IA en local y coding agéntico, en local. Panorámica completa de modelos: Los modelos de frontera open-weights, en local.