Aikido Security presentó el 21 de septiembre Altar-1, su primer modelo de pesos abiertos orientado a seguridad defensiva. La propuesta busca ejecutar análisis de vulnerabilidades dentro de la infraestructura del cliente, incluso en redes aisladas, sin enviar código fuente, diagramas ni hallazgos a un proveedor externo de inferencia. El modelo alimenta Aikido Machine, el dispositivo de pentesting autónomo que la empresa ofrece para entornos con requisitos estrictos de privacidad y soberanía de datos.

### Una versión reducida de GLM-5.3

Altar-1 no fue entrenado desde cero. Aikido partió de GLM-5.3, un modelo de mezcla de expertos de Z.AI, y combinó cuantización con poda de expertos. Según las cifras publicadas por la compañía, el modelo original en BF16 ocupa 1,506.7 GB; una versión AWQ INT4 reduce ese tamaño a 488.2 GB y Altar-1 baja a 328 GB. Eso representa 78.2% menos almacenamiento frente al modelo completo y 32.8% menos frente a la versión ya cuantizada.

La poda conserva 168 de los 256 expertos en cada capa y elimina 88. Como GLM-5.3 activa solo ocho expertos por token, Aikido sostiene que pudo retirar capacidad redundante sin una caída proporcional en el desempeño. La publicación independiente RuntimeWire revisó los archivos y las instrucciones del modelo y confirmó que el lanzamiento deriva del checkpoint cuantizado de GLM-5.3, en lugar de constituir un modelo base nuevo.

Aikido indica que Altar-1 puede servirse con vLLM o SGLang en un nodo con cuatro GPU Nvidia H200. Esa exigencia lo coloca fuera del alcance de una estación de trabajo común, pero lo hace viable para organizaciones con centros de datos propios que no pueden permitir que material sensible salga de su perímetro. Los pesos y las instrucciones de despliegue están disponibles públicamente; “pesos abiertos” no significa, sin embargo, que todas las condiciones de uso sean irrestrictas. El modelo hereda la licencia de GLM-5.3, que incluye una revisión de seguridad para ciertos proveedores de modelos como servicio con ingresos muy elevados.

### Resultados publicados por la propia empresa

La evaluación divulgada por Aikido utilizó 32 vulnerabilidades conocidas distribuidas entre 30 repositorios, con tres ejecuciones por caso. Altar-1 obtuvo 60.4% de recuperación promedio por ejecución y encontró 23 de las 32 vulnerabilidades al menos una vez. La versión cuantizada sin poda alcanzó 61.5% y también encontró 23; el modelo completo obtuvo 65.6% y cubrió 25.

Esos resultados sugieren que la reducción conserva buena parte de la capacidad del modelo padre, pero deben interpretarse con cautela: el benchmark fue diseñado y ejecutado por el mismo proveedor que publica el producto. No sustituye una evaluación externa sobre falsos positivos, reproducibilidad, seguridad del propio agente o desempeño en redes empresariales distintas. Tampoco demuestra que un modelo pueda reemplazar revisión humana, validación técnica o controles de acceso.

El lanzamiento refleja una dirección concreta en ciberseguridad con IA: acercar el modelo a los datos, en vez de mover el código y los hallazgos hacia una nube externa. Para bancos, agencias públicas, hospitales y operadores industriales, el valor puede estar tanto en el control operativo como en el rendimiento. La contrapartida es asumir hardware, actualización, monitoreo y gobierno del modelo dentro de la organización. Altar-1 ofrece una opción verificable para ese intercambio, mientras quedan pendientes pruebas independientes que midan su eficacia y sus costos en producción.

— Lía Torres / AI News