Открытая модель для поиска уязвимостей: apex-flash-1 решает 40 из 60 задач по безопасности за $2,38

Cantina Security и Yeta Labs представили apex-flash-1 — модель с открытыми весами, специально обученную для поиска уязвимостей. Это дообученная с помощью reinforcement learning версия GLM-5.3-Flash от Z.ai, опубликованная на Hugging Face под лицензией MIT. Веса можно развернуть на vLLM, SGLang или Transformers, правда для BF16 потребуется около 640 ГБ видеопамяти.

Всего у модели 321,3 млрд параметров, но активны только 18 млрд (Mixture-of-Experts). Обучение велось методом GRPO с LoRA ранга 256 и выборочным полным обновлением параметров. Данные — 150 заданий на основе 50 реальных уязвимостей, каждая в трёх вариантах: guided whitebox, focused whitebox и focused blackbox. 72% случаев — проблемы авторизации, идентификации и перехвата контроля, 18% — ошибки бухгалтерии и численной точности, остальное — валидация времени, бизнес-правила и SSRF.

На внутреннем бенчмарке из 60 задач (20 уязвимостей, не входивших в обучение) apex-flash-1 решила 40 (66,7% pass@1) примерно за $2,38. Базовая GLM-5.3-Flash — 36 задач (60%) за $4,56, а Claude Opus 5 High — 43 задачи (71,7%), но за $74,68. То есть Opus решил лишь на 3 задачи больше при стоимости в 31 раз выше: $0,06 за решённую задачу против $1,74.

Cantina позиционирует модель как исполнителя в связке с более крупным оркестратором: она должна читать код, пользоваться инструментами, писать эксплойты и проверять результаты. Также выпущен экспериментальный вариант apex-flash-1-abliterated с изменённым отказным поведением, но отдельно он не тестировался. В компании подчёркивают: защитникам нужны модели, которые можно запускать и контролировать локально.