A Cantina Security, em parceria com a Yeta Labs, lançou o apex-flash-1, um modelo de pesos abertos treinado especificamente para pesquisa de vulnerabilidades. É um ajuste fino (fine-tune) por aprendizado por reforço (RL) do GLM-5.3-Flash da Z.ai, lançado no Hugging Face sob a licença MIT. É implementável? Sim, os pesos MIT funcionam com vLLM, SGLang ou Transformers, mas o BF16 requer aproximadamente 640 GB de memória GPU. O Que a Cantina Construiu: O apex-flash-1 possui um total de 321.3B parâmetros, conforme os metadados safetensors do Hugging Face. A base GLM-5.3-Flash é um modelo Mixture-of-Experts com 18B parâmetros ativos. A Cantina o treinou com GRPO usando um LoRA rank-256 mais treinamento seletivo de parâmetros completos. Os dados cobrem 150 tarefas construídas a partir de 50 casos reais de vulnerabilidade. Cada caso aparece em 3 variantes: whitebox guiado, whitebox focado e blackbox focado. Falhas de autorização, identidade e escopo representam 72% dos casos. Bugs de contabilidade e precisão numérica adicionam 18%. Validação de tempo, regras de negócios e SSRF cobrem o restante. Conforme o cartão do modelo no HF, as execuções de RL aconteceram dentro do ambiente do agente Codex em softwares e ambientes de protocolo semelhantes aos de produção. Resultados de Benchmark: A Cantina avaliou 60 tarefas de 20 casos de vulnerabilidades ocultas. Cada modelo executou o conjunto uma vez, com custos estimados a partir dos preços dos provedores.
apex-flash-1: 40/60 resolvidos (66.7% pass@1), cerca de $2.38
GLM-5.3-Flash (base): 36/60 resolvidos (60.0%), cerca de $4.56
Claude Opus 5 High: 43/60 resolvidos (71.7%), cerca de $74.68
O Opus resolveu 3 tarefas adicionais, mas custou cerca de 31x mais por execução. Isso equivale a aproximadamente $0.06 por tarefa resolvida para o apex-flash-1 versus $1.74 para o Opus. Esses são números reportados pela empresa em um benchmark interno. Um Modelo Trabalhador, Não um Orquestrador: A Cantina posiciona o apex-flash-1 como um trabalhador orquestrado por um modelo maior. O cartão lista leitura de código, uso de ferramentas, desenvolvimento de exploits e verificação como habilidades-alvo. Uma variante experimental apex-flash-1-abliterated é fornecida com comportamento de recusa modificado. Ela não foi avaliada separadamente. A justificativa da Cantina é que os defensores precisam
Fonte: MarkTechPost
Publicado em 2026-10-05