Feyospace-v1: Yedi Kişilik Bağımsız Bir Ekip Öncü Siber Güvenlik Modellerini Nasıl Eğitti?

Yüksek yetenekli siber güvenlik ajanları geliştirmek genellikle devasa model ölçekleme problemi olarak ele alınır. Ancak açık ağırlıklı (open-weight) modellerin eğitim sonrası (post-training) süreçlerindeki asıl kısıtlar; çalıştırılabilir ortamların yüksek maliyeti, çok turlu güvenilir denetim eksikliği ve güçlü öğretmen modellere erişim zorluklarıdır. Feyospace-v1 çalışması, bu darboğazları çözmek amacıyla beş tamamlayıcı bileşenden oluşan veri odaklı bir çerçeve sunmaktadır:

Choulea: Gizli akıl yürütme (hidden reasoning) imzalarını analiz ederek modelin düşünce zincirindeki zayıflıkları ve örüntüleri inceler.
SkyReal: Güçlü öğretmen modellerden örnekleme (teacher-sampling) yapmanın maliyetini kayda değer ölçüde düşürür.
Hongzwang: Öğretmen modellerin yürütülmesi sırasında karşılaşılan API kısıtlamalarını ve engellerini aşar.
PSBreakup: Model birleştirme (model merging) teknikleri sonrasında zayıflayan yetenekleri onarır ve performansı geri kazandırır.
Kreator: Siber güvenlik uzmanlarının gerçek zamanlı müdahalelerini modeller için eğitilebilir akıl yürütme adımlarına dönüştürür.

Doğrulanabilir Veri Motoru ve Başarı Metrikleri

Feyospace-v1 veri motoru; sıfırlanabilir kodlama, güvenlik açığı tespiti, CTF, çekirdek (kernel) geçmişi, tam istismar (full-exploit), aygıt yazılımı (firmware) ve donanım destekli gerçekçi ortamlar inşa eder. Üretilen aday yörüngeler ancak katı bir yürütme doğrulaması ve kanıt denetiminden geçtikten sonra veri setine dahil edilmiş; böylece uzun bağlamlı gözetimli ince ayar (long-context SFT) için tam 164.269 yüksek kaliteli yörünge elde edilmiştir.

Bu titiz mühendislik sonucunda eğitilen üç kontrol noktası (checkpoint), temel modellerine kıyasla CyberGym test paketinde ortalama %23,76, genel CTF paketlerinde ise %10,49 performans artışı göstermiştir. 1 Eylül 2026 itibarıyla Feyospace-s1, %63,24 doğrulanmış başarı oranı yakalayarak resmi CyberGym liderlik tablosunda 10. sıraya yükselmiş; her üç kontrol noktası da kendi parametre ölçeğindeki modeller arasında 1. sırada yer almıştır. Bu sonuç, yedi kişilik bağımsız bir ekibin açık ağırlıklarla dünya çapında lider siber ajanlar eğitebileceğinin ilk uçtan uca kanıtıdır.

Yazılım Geliştirme ve Öğrenme Çıkarımları

Ölçek Yerine Doğrulanabilir Veri: Ajan sistemlerinde başarı, sadece parametre sayısını artırmakla değil; izole ortamlarda yürütülüp kanıtlanan güvenilir "golden dataset" yörüngeleri oluşturmakla mümkündür. Gerçek yürütme doğrulaması halüsinasyon riskini minimize eder.
Maliyet ve API Optimizasyonu: Büyük öğretmen modelleri doğrudan çalıştırmak yerine SkyReal ve Hongzwang benzeri ara katmanlar geliştirmek, API sınırlamalarını aşarak kurumsal veri damıtma süreçlerini sürdürülebilir kılar.
Model Birleştirme ve Uzman Deneyimi: Model merging sonrası yaşanan yetenek kayıplarının PSBreakup ile giderilmesi ve uzman müdahalelerinin Kreator ile sentetik veriye dönüştürülmesi, dikey yapay zeka projeleri geliştiren yazılımcılar için kritik bir tasarım desenidir.

Orijinal kaynağa buradan ulaşabilirsiniz.

Bu konuyu derinlemesine öğrenmek isterseniz: Golden Dataset Oluşturma modülüne göz atın.