Aikido Security เปิดตัว Altar-1 โมเดลความปลอดภัย
Aikido Security ปล่อย Altar-1 โมเดลความปลอดภัยแบบ Open-Weight ขนาด 328 GB ที่ถูกตัดแต่งจาก GLM-5.3 รองรับการรันบน GPU H200 จำนวน 4 ตัว
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- Aikido Security เปิดตัว Altar-1 โมเดลความปลอดภัยแบบ Open-Weight ขนาด 328 GB
- ตัดแต่งมาจาก GLM-5.3 เพื่อแก้ปัญหาการใช้งานหน่วยความจำ GPU และข้อจำกัดด้านความปลอดภัยของข้อมูล
- ทำงานบนโหนด GPU NVIDIA H200 จำนวน 4 ตัว รองรับ Context ยาวถึง 128k
- เปิดให้ดาวน์โหลดน้ำหนักโมเดลแล้วบน Hugging Face พร้อมใช้งานผ่าน vLLM
Aikido Security ได้ประกาศเปิดตัว Altar-1 โมเดลความปลอดภัยแบบ Open-Weight ขนาด 328 GB ซึ่งพัฒนาต่อยอดมาจากการตัดแต่ง (Pruned) โมเดลพื้นฐาน GLM-5.3 โดยโมเดลนี้ถูกออกแบบมาเพื่อช่วยแก้ปัญหาสำหรับองค์กรที่มีข้อจำกัดด้านการปฏิบัติตามกฎระเบียบข้อมูล (Data-Residency Mandates) เช่น ธนาคาร หรือผู้ให้บริการโครงสร้างพื้นฐานสำคัญที่ไม่สามารถส่งซอร์สโค้ดและเอกสารสถาปัตยกรรมออกนอกเครือข่ายไปยังระบบคลาวด์ของผู้ให้บริการรายอื่นได้
โมเดลแบบ Mixture-of-Experts (MoE) ดั้งเดิมอย่าง GLM-5.3 นั้นมีพารามิเตอร์รวมถึง 753B และต้องจัดเก็บผู้เชี่ยวชาญ (Experts) ทุกตัวไว้ในหน่วยความจำ แม้ว่าภาระงานจริงจะเรียกใช้งานเพียงบางส่วนก็ตาม นอกจากนี้ ตัวแทนด้านความปลอดภัย (Security Agents) ยังต้องเก็บบันทึกบริบทขนาดยาว (KV Cache) ซึ่งต้องแย่งพื้นที่หน่วยความจำ GPU กับน้ำหนักของโมเดลโดยตรง ทำให้การใช้งานในระบบจริงทำได้ยาก
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ทีมงานของ Aikido ได้ทำการบีบอัดโมเดลผ่าน 2 ขั้นตอนสำคัญ โดยใช้ข้อมูลจากการสอบแทรกซึม (Pentest) โค้ด การเรียกใช้เครื่องมือ การให้เหตุผล และข้อความภาษา multilingual Wikipedia ในการสอบเทียบ (Calibration) โดยยืนยันว่าไม่มีการใช้ข้อมูลของลูกค้าในการฝึกฝน พร้อมทั้งให้คะแนนผู้เชี่ยวชาญแต่ละตัวตามสัดส่วนงานที่ถูกส่งมา เพื่อปกป้องผู้เชี่ยวชาญเฉพาะด้านสำหรับโค้ด ภาษาหายาก และโครงสร้างข้อมูล
การตัดแต่งโมเดลขนาดใหญ่เช่น GLM-5.3 ให้เหลือขนาด 328 GB ถือเป็นก้าวสำคัญในการนำโมเดล AI ขนาดใหญ่มาประยุกต์ใช้กับงานด้านความปลอดภัยไซเบอร์แบบ On-Premises โดยการรักษาความสามารถของผู้เชี่ยวชาญเฉพาะด้านไว้ช่วยให้โมเดลยังคงมีประสิทธิภาพสูงในการตรวจจับช่องโหว่ โดยไม่ต้องพึ่งพา API ภายนอกที่อาจมีความเสี่ยงด้านความเป็นส่วนตัวของข้อมูลองค์กร
ผลลัพธ์จากการทดสอบพบว่า Altar-1 มีขนาดเล็กกว่ารุ่น BF16 ถึง 78.2% และเล็กกว่ารุ่น AWQ parent อยู่ 32.8% ในด้านความแม่นยำ โมเดลมีค่า KL divergence อยู่ที่ 0.506 nats เทียบกับ BF16 เต็มรูปแบบบนชุดทดสอบ 25 พรอมต์ โดยทีมงานได้นำไปทดสอบบนเบนช์มาร์ก CVE ภายใน ซึ่งครอบคลุมช่องโหว่ที่รู้จัก 32 รายการจาก 30 คลังโค้ด
ในแง่ของการปรับใช้ ฮาร์ดแวร์ที่แนะนำคือ GPU ตระกูล Hopper (H100 หรือ H200) โดยการใช้ GPU H200 จำนวน 4 ตัว ขนาด 328 GB จะช่วยเหลือพื้นที่ไว้สำหรับรองรับ KV Cache ขนาด 128k ที่ขนาดแบตช์ในการผลิตได้ ทั้งนี้ Altar-1 ยังคงสืบทอดสัญญาอนุญาตของ GLM-5.3 ที่อนุญาตให้ใช้งานเชิงพาณิชย์ แก้ไข และแจกจ่ายได้ แต่ผู้ให้บริการ Model-as-A-Service ที่มีรายได้เกิน 10,000 ล้านดอลลาร์ในรอบ 12 เดือนจะต้องผ่านการตรวจสอบความปลอดภัยจาก Z.AI ก่อน
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น