Sansürsüz ve Ofansif Güvenlik Yapay Zeka Modelleri Kıyaslaması

Yetkili sızma testi, kırmızı takım (red team) operasyonları ve güvenlik araştırmaları için özel olarak eğitilmiş, açık ağırlıklı (open-weight) sansürsüz LLM'ler geliştiriciler ve güvenlik mühendisleri için kritik araçlar haline gelmiştir. Güvenlik alanına özgü verilerle fine-tune edilen bu modeller, ofansif ve defansif görevleri otonom veya yarı otonom olarak yürütmek üzere optimize edilmiştir.

Güvenlik Odaklı Fine-Tuned Modeller

1. DeepHat V2 (WhiteRabbitNeo)

Temel Model ve Boyut: Qwen2.5-Coder-7B tabanlı, 7B ve 32B parametre seçenekleri sunar.
Teknik Özellikler: 131K bağlam penceresi, Q4_K_M kuantizasyonunda ~6 GB VRAM gereksinimi ve Apache 2.0 lisansı ile öne çıkar.
Eğitim: USENIX Security 2024 çalıştayından 1.7 milyon ofansif/defansif örneklemle SFT yapılmıştır. Araç çağırma (Tool Calling) desteği mevcuttur.
Geliştirici Çıkarımı: Düşük VRAM tüketimi sayesinde yerel geliştirici makinelerinde veya CI/CD güvenlik tarama hatlarında hafif kod denetim asistanı olarak entegre edilmeye çok uygundur.

2. BugTraceAI-CORE-Apex (26B)

Temel Model ve Boyut: Gemma4-26B MoE tabanlı, 26B MoE parametreye sahiptir.
Teknik Özellikler: 32K bağlam penceresi, Q4_K_M kuantizasyonunda ~16 GB VRAM tüketimi ve Apache 2.0 lisansı bulunur.
Eğitim: HackerOne Hacktivity (2024-2025) raporları ve WAF atlatma veri setleriyle eğitilmiştir; Tool Calling destekler.
Geliştirici Çıkarımı: Web uygulaması güvenliği ve WAF bypass testlerinde otomatik güvenlik ajanlarına bağlanarak pratik hata avcılığı (bug bounty) senaryolarında kullanılabilir.

3. BugTraceAI-CORE-Ultra (27B)

Temel Model ve Boyut: Qwen3.6-27B yoğun (dense) mimari tabanlıdır.
Teknik Özellikler: 4K önerilen bağlam, Q6_K seviyesinde ~22-24 GB VRAM gereksinimi ve Apache 2.0 lisansı içerir.
Uzmanlık: Unsloth ile CVE writeup'ları üzerinden eğitilmiştir. Nuclei şablonları, CVE PoC'leri, istismar (exploit) kodları ve pentest betikleri üretir; Tool Calling destekler.
Geliştirici Çıkarımı: Güvenlik araçları otomasyonunda doğrudan PoC ve şablon üreteci olarak devreye alınabilir; DevSecOps süreçlerinde zafiyet doğrulama betikleri hazırlamayı hızlandırır.

4. CYBER-FROST-3.8 (Blackfrost-AI)

Temel Model ve Boyut: Qwen/Qwen3.8-Flash-Next tabanlı, ~180B MoE (512 uzman, token başına 10 aktif) devasa modeldir.
Teknik Özellikler: 262K bağlam, Qwen4Exp hibrit mimarisi ve 1 MTP spekülatif kod çözme katmanı barındırır. Çoklu GPU gerektirir (ör. 4x NVIDIA B300 SXM6). Qwen Community License 1.0 lisanslıdır.
Eğitim: Keşif, web güvenliği, zararlı yazılım ve bulut güvenliği içeren tescilli külliyatla eğitilmiştir; Tool Calling destekler.
Geliştirici Çıkarımı: Kurumsal düzeyde derinlemesine tehdit istihbaratı ve karmaşık zafiyet araştırmaları yürüten gelişmiş otonom ajan pipeline'ları için idealdir.

5. CyberPal 2.0 (20B)

Temel Model ve Boyut: gpt-oss-20b tabanlı, ~20B parametreli modeldir.
Teknik Özellikler: 8.192 bağlam uzunluğu, BF16 formatında ~42 GB VRAM gereksinimi ve Apache 2.0 lisansı taşır. Tool Calling desteği yoktur.
Uzmanlık: SecKnowledge 2.0 hattıyla eğitilmiş defansif modeldir; siber tehdit istihbaratı (CTI), SOC/IR olay müdahalesi ve AppSec alanlarına odaklanır.
Geliştirici Çıkarımı: Güvenlik operasyon merkezlerinde (SOC) log analizi ve olay müdahale süreçlerini otomatikleştiren güvenilir bir bilgi doğrulama motoru olarak kullanılabilir.

Orijinal kaynağa buradan ulaşabilirsiniz.

Bu konuyu derinlemesine öğrenmek isterseniz: Modeller: Hangisi, Ne Zaman? modülüne göz atın.