Aikido Altar leva modelo open-weight de pentesting para dentro do cliente

O que foi anunciado

A Aikido lançou o Altar, seu primeiro modelo de segurança com pesos abertos, projetado para rodar inteiramente dentro da infraestrutura do cliente - incluindo ambientes totalmente isolados da internet (air-gapped). O objetivo é permitir pentesting autônomo contínuo sem que código, documentação interna e vulnerabilidades não corrigidas sejam enviados a um serviço de inferência de terceiros. O modelo alimenta o Aikido Machine, appliance de pentesting que a empresa já opera dentro da infraestrutura dos clientes.

O problema: modelos fechados e a lacuna de implantação

A Aikido argumenta que modelos de fronteira fechados exigem que dados sensíveis saiam da rede do cliente - uma restrição inaceitável para bancos com mandatos de residência de dados, hospitais e operadores industriais com ambientes OT sem rota para a internet. Por outro lado, modelos abertos capazes são difíceis de servir em produção: o GLM-5.3 em precisão total ocupa cerca de 1,5 TB de memória e oferece velocidade limitada em conversas paralelas de alto contexto.

A arquitetura mixture-of-experts agrava o custo: todos os especialistas precisam ficar armazenados mesmo quando apenas alguns são ativos por token, e agentes de segurança - que acumulam contextos longos em paralelo - disputam a mesma memória fixa com o modelo.

Como a Aikido comprimiu o modelo

A empresa partiu do GLM-5.3 e aplicou duas técnicas combinadas:

• Quantização (AWQ): pesos dos especialistas armazenados em 4 bits em vez de 16 bits (W4A16), com ativações em 16 bits, reduzindo o checkpoint de 1.506,7 GB para 488,2 GB.
• Poda de especialistas (REAP): usando a técnica REAP da Cerebras (Router-weighted Expert Activation Pruning), que estima a contribuição de cada especialista pelo peso do roteador e pela magnitude da saída. A Aikido escolheu quais especialistas remover usando traces do próprio harness de pentesting em benchmarks internos - sem dados de clientes - mais textos multilíngues para preservar compreensão em idiomas como francês e holandês, já que investigar aplicações exige interpretar documentação e regras de negócio.

O resultado: Altar mantém 168 dos 256 especialistas roteados por camada (removendo 34,4%) e ocupa 328 GB - 78,2% menos que o modelo original em 16 bits e 32,8% menos que a versão apenas quantizada. A empresa destaca que a seleção importa tanto quanto o tamanho: no estudo de compressão, modelos com o mesmo número de especialistas variaram muito em fidelidade ao modelo de referência.

Avaliação de desempenho

Em um benchmark interno de 32 vulnerabilidades CVE conhecidas em 30 repositórios (três execuções por caso), o Altar obteve recall médio de 60,4% por execução e redescobriu 23 das 32 vulnerabilidades ao menos uma vez. O GLM-5.3 AWQ quantizado marcou 61,5% e as mesmas 23 vulnerabilidades; o modelo original alcançou 65,6% e 25 de 32.

Ou seja: a poda de 32,8% dos pesos custou cerca de um ponto percentual de recall em relação à baseline quantizada, mantendo toda a sua cobertura de vulnerabilidades; em relação ao modelo original, o Altar reteve 92% da cobertura com 5,2 pontos percentuais menos de recall médio.

A Aikido ressalva as limitações: o benchmark mede redescoberta de CVEs conhecidas dentro de um pipeline que usa outros modelos nas etapas vizinhas - não mede descoberta cega em bases de código inteiras, validação por exploração nem a etapa de proposta de correção. Execuções incompletas são reportadas separadamente.

Implantação e próximos passos

Pouco depois das avaliações, a Aikido implantou o Altar em sua frota do Aikido Machine, e o modelo identificou uma vulnerabilidade crítica válida em um pentest de produção de um cliente. Os pesos estão disponíveis publicamente sob a organização da Aikido, com execução recomendada em um nó de 4 H200s usando vLLM.

Nos planos: explorar formatos de bits ainda menores (como EXL3), otimizações de serving em H200 e avanços para além da compressão - fine-tuning para fluxos de segurança, melhoria de uso de ferramentas e raciocínio de longo horizonte, e um pipeline de autoaprendizado guiado pelos benchmarks internos, abrangendo pesquisa de vulnerabilidades, análise de código e remediação. A abordagem será estendida aos produtos Aikido Attack, Code Security Audit e Deep PR Review. A equipe agradece à Z.AI (GLM-5.3), à Cerebras (REAP) e a colaboradores externos pela quantização e compressão.