2026-10-15
Cybersécurité avec des modèles locaux
Sur CyberGym et ExploitBench, les modèles open-weights ont développé une vraie capacité offensive. En local, un SOC ou une red team les utilise sur des logs et du code confidentiels sans rien divulguer, et sans les refus d'une API publique.
La sécurité offensive et défensive travaille sur du matériel qui ne peut pas quitter le périmètre : code propriétaire, logs d'incidents, données clients. C'est aussi le domaine où une API publique refuse le plus souvent des requêtes légitimes — une analyse d'exploit pour un test d'intrusion autorisé, par exemple. Les deux problèmes disparaissent quand le modèle tourne en interne.
Une capacité cyber désormais concrète
Z.ai l'écrit explicitement dans la fiche de GLM-5.3 : la capacité cyber a émergé plus vite que prévu à mesure que le post-training montait en échelle, avec le gain le plus fort plus haut dans la chaîne d'exploitation, où le modèle fait plus que doubler GLM-5.2. GLM-5.3 est à l'état de l'art sur CyberGym (84,5) pour la découverte de vulnérabilités.
DeepSeek-V4.1-Flash le dépasse : 88,1 sur CyberGym et 62,8 sur SEC-Bench Pro dans le tableau DeepSeek. MiMo-V2.6 intègre la cybersécurité directement dans la phase de RL : la Flash-RL annonce 95,1 sur CyberGym, la Pro 80,2 sur MiMo Cyber Bench.
Les scores sont annoncés par les constructeurs, avec des harnais différents, et mesurent surtout l'analyse défensive et la découverte de vulnérabilités, pas l'exploitation réelle. Ils servent à se repérer.
Modèles spécialisés et sans filtre
Pour le travail de red team, le catalogue inclut des variantes dédiées, toutes lançables à la fois en local avec Ollama et sur GPU cloud :
- Qwen3.8-27B-Uncensored-Cyber : un modèle dense de 27 B, tourne entièrement en VRAM sur une RTX 5090. La fiche annonce 100/100 sur son jeu de 100 prompts cyber-offensifs (harnais de refus par regex), sans perdre en factualité ni en mathématiques.
- OrcaSAQ-2-Cyber-27B : une autre variante cyber de 27 B, sur une RTX 5090 ou en local avec Ollama.
Ces modèles répondent à des questions de sécurité offensive que les API publiques filtrent. La responsabilité de l'usage et le respect de la loi incombent à ceux qui les exécutent : à utiliser uniquement pour des activités autorisées.
Pourquoi en local, pas via API
- Le matériel sensible reste dedans. Logs, exploits, code et données clients ne passent pas par un fournisseur externe. L'endpoint SophyAI écoute sur
127.0.0.1. - Aucun refus qui bloque le travail. Une analyse autorisée ne doit pas s'arrêter parce qu'un filtre distant la prend pour un abus.
- Longs contextes. GLM-5.3, DeepSeek-V4.1-Flash et MiMo atteignent 1 M de tokens : une base de code entière ou une longue trace d'incident tient dans une session.
- Coût à l'heure. Le triage d'un dépôt ou l'analyse d'un dump sont de longs processus : vous payez le GPU au temps et arrêtez quand c'est fini.
Les autres scénarios : agents IA en local et coding agentique, en local. Vue d'ensemble complète des modèles : Les modèles de frontière open-weights, en local.