2026-10-15
Cybersecurity con modelli locali
Su CyberGym ed ExploitBench i modelli open-weights hanno sviluppato una vera capacità offensiva. In locale un SOC o un red team li usa su log e codice riservati senza farli uscire, e senza i rifiuti di un'API pubblica.
La sicurezza offensiva e difensiva lavora su materiale che non può uscire dal perimetro: codice proprietario, log di incidenti, dati di clienti. È anche il campo in cui un'API pubblica rifiuta più spesso richieste legittime — un'analisi di exploit per un penetration test autorizzato, per esempio. Entrambi i problemi si risolvono eseguendo il modello in casa.
Una capacità cyber ormai concreta
Z.ai lo scrive esplicitamente nella card di GLM-5.3: la capacità cyber è emersa più in fretta del previsto scalando il post-training, con il guadagno maggiore nella parte alta della catena di exploitation, dove il modello più che raddoppia GLM-5.2. GLM-5.3 è stato dell'arte su CyberGym (84,5) per la scoperta di vulnerabilità.
DeepSeek-V4.1-Flash la supera: 88,1 su CyberGym e 62,8 su SEC-Bench Pro nella tabella DeepSeek. MiMo-V2.6 include la cybersecurity direttamente nella fase di RL: la Flash-RL dichiara 95,1 su CyberGym e 80,2 su MiMo Cyber Bench per la Pro.
I punteggi sono dichiarati dai produttori con harness diversi e misurano in gran parte l'analisi difensiva e la scoperta di vulnerabilità, non lo sfruttamento reale. Servono a orientarsi.
Modelli specializzati e senza filtri
Per il lavoro di red team il catalogo include varianti dedicate, tutte avviabili sia in locale con Ollama sia su GPU cloud:
- Qwen3.8-27B-Uncensored-Cyber: denso da 27B, gira tutto in VRAM su una RTX 5090. La card dichiara 100/100 sul suo set di 100 prompt cyber-offensivi (harness a regex sui rifiuti), senza perdere su factualità e matematica.
- OrcaSAQ-2-Cyber-27B: altra variante cyber da 27B, su RTX 5090 o in locale con Ollama.
Questi modelli rispondono a domande di sicurezza offensiva che le API pubbliche filtrano. La responsabilità d'uso e il rispetto della legge sono di chi li esegue: vanno impiegati solo per attività autorizzate.
Perché in locale, non via API
- Il materiale sensibile resta dentro. Log, exploit, codice e dati dei clienti non passano da un fornitore esterno. L'endpoint di SophyAI ascolta su
127.0.0.1. - Nessun rifiuto che blocca il lavoro. Un'analisi autorizzata non si deve fermare perché un filtro remoto la scambia per abuso.
- Contesti lunghi. GLM-5.3, DeepSeek-V4.1-Flash e MiMo arrivano a 1M di token: un intero codebase o una lunga traccia di incidente entrano in una sessione.
- Costo a ore. Il triage di un repository o l'analisi di un dump sono processi lunghi: paghi la GPU a tempo e spegni quando hai finito.
Gli altri scenari: agenti AI in locale e coding agentico in locale. Panoramica completa dei modelli: I modelli di frontiera open-weights, in locale.