Cantina Security联合Yeta Labs发布apex-flash-1，一款专为漏洞安全研究打造的开放权重大模型。该模型以Z.ai GLM-5.3-Flash为基座，使用GRPO强化学习微调，在Hugging Face以MIT许可证开源。
- 模型：https://huggingface.co/cantina-security/apex-flash-1
模型基础信息
apex-flash-1总参数321.3B，属于MoE混合专家架构，激活参数18B。
训练方案采用rank-256 LoRA + 选择性全参数训练；训练数据集由50个真实漏洞案例衍生出150项任务，每个案例提供三种变体：引导白盒、聚焦白盒、聚焦黑盒。
漏洞任务分布：权限/身份/范围缺陷占72%，会计与数值精度漏洞18%，剩余为时间校验、业务规则、SSRF类漏洞。
RL训练环境基于Codex智能体框架，在接近生产级软件与协议环境中完成rollout。
部署方面，可以用vLLM、SGLang、Transformers加载推理；BF16精度大约需要640GB显存，社区已有4bit量化移植版本。
基准测试结果
测试集包含20个预留漏洞案例，合计60项任务：
- apex-flash-1：40/60，pass@1=66.7%，单次运行预估成本2.38美元
- 基座GLM-5.3-Flash：36/60，pass@1=60.0%，成本4.56美元
- Claude Opus 5 High：43/60，pass@1=71.7%，成本74.68美元
Opus只多解决3项任务，但整体成本高出约31倍；折算单个任务成本：apex-flash-1约0.06美元，Opus约1.74美元。注：为厂商内部基准数据
产品定位：智能体架构里的工作器，而非编排大脑
Cantina把apex-flash-1定位成被更大模型调度调用的工作器模型，核心能力为代码阅读、工具调用、漏洞利用编写与验证。同步附带实验版本apex-flash-1-abliterated，修改了拒绝安全行为，该变体未做基准评估。
设计初衷：网络防御团队需要可以本地部署、完全自主可控的高性能模型，用于内网安全审计与漏洞挖掘。
横向对比
| 特性 | apex-flash-1 | Aikido Altar-1 | Cisco Foundation-Sec-8B-Reasoning | GLM-5.3-Flash |
|---|---|---|---|---|
| 开发方 | Cantina Security + Yeta Labs | Aikido Security | Cisco Foundation AI | Z.ai |
| 基座模型 | GLM-5.3-Flash | GLM-5.3（剪枝） | Llama 3.1 8B | 原生预训练 |
| 模型规模 | 总321.3B，BF16 | 328GB INT4 | 8B | 总320B，激活18B |
| 许可证 | MIT | 继承GLM-5.3协议 | 自定义协议 | MIT |
| 训练方式 | 50个真实漏洞案例GRPO强化学习 | REAP专家剪枝+量化 | 安全QA指令微调+RLHF | 通用基座 |
| 场景定位 | 智能体漏洞挖掘工作器 | 隔离环境自主渗透测试 | SOC分诊、威胁防御 | 通用编码与智能体 |
| 硬件需求 | 多GPU节点，BF16约642GB显存 | 4×H200+vLLM | 单GPU | 多GPU节点 |
| 安全基准 | 66.7% pass@1（60任务集） | 32个CVE内部集召回60.4% | Cisco内部安全基准 | Cantina测试集60.0% |
核心要点总结
- 模型属性：专门面向漏洞研究的开放权重MoE模型，MIT协议，可本地部署，3213亿总参数，激活18B。
- 性能：在60项预留漏洞任务达到66.7%通过率，非常接近Claude Opus 5 High的71.7%，推理成本仅为后者1/31。
- 训练：基于真实漏洞案例，GRPO强化学习，覆盖权限缺陷、数值bug、SSRF等典型安全问题。
- 定位：作为智能体体系中的“工作器”，负责读代码、漏洞验证、EXP开发，由上层大模型做任务编排。
- 部署门槛：BF16版本需要多GPU大显存集群，社区4bit量化可降低硬件门槛。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
