Cantina开源3210亿参数漏洞挖掘模型apex-flash-1：60个保密漏洞任务解出40个
发布时间：2026年10月04日 12:30:0010月4日，AI安全公司Cantina Security联合Yeta Labs发布并开源漏洞挖掘专用模型apex-flash-1：它基于智谱Z.ai的GLM-5.3-Flash做强化学习微调，总参数3213亿、每token激活180亿的MoE架构，以MIT许可证在Hugging Face上线，可用vLLM、SGLang或Transformers部署，BF16精度约需640GB显存。在源自20个保密真实漏洞案例的60个任务测试中，每个模型只跑一次，apex-flash-1解出40个（66.7%），相比基座GLM-5.3-Flash的36个（60.0%）再进一步，单次任务成本约数美元。这是继谷歌Gemini 4 Argon主打自动发现并修补漏洞之后，开源阵营在AI安全攻防研究领域的一次重要补位，意味着中小企业也能私有部署顶级漏洞研究智能体。
开源模型第一次为「挖漏洞」专门训练到这个程度
10月4日，AI应用安全公司Cantina Security联合Yeta Labs发布专用漏洞研究模型apex-flash-1，权重以MIT许可证直接上线Hugging Face（cantina-security/apex-flash-1）。科技媒体MarkTechPost当天给出详细评测。
与把通用大模型拿来「顺便审代码」不同，apex-flash-1是一条完整的安全研究专用训练路线的产物：从真实漏洞案例中构造强化学习任务，让模型在「审计代码—构造假设—验证漏洞—输出可复现报告」的完整链条上被专门打磨。
模型规格：3213亿总参数，180亿激活
| 项目 | 参数 |
|---|---|
| 基座模型 | Z.ai（智谱）GLM-5.3-Flash |
| 训练方式 | 面向漏洞研究任务的强化学习微调（RL fine-tune） |
| 总参数量 | 321.3B（3213亿），MoE架构 |
| 每token激活参数 | 18B（180亿） |
| 许可证 | MIT |
| 部署框架 | vLLM、SGLang、Transformers |
| 显存需求 | BF16精度约640GB GPU显存 |
值得注意的是基座选择：Cantina没有选欧美闭源或Llama系模型，而是选了中国智谱Z.ai的GLM-5.3-Flash。这与本周另一条新闻形成呼应——英伟达支持的Reflection AI准备用开源模型对标DeepSeek、Qwen，全球安全类垂直模型的基座竞争已经高度全球化，开源模型的国籍标签正在让位于工程性价比。
评测：20个保密案例、60个任务、只跑一次
Cantina的评测设计刻意避免了「题库污染」嫌疑：
- 任务来自20个未进入训练集的保密真实漏洞案例（held-out），共60个任务；
- 每个模型整套题只运行一次，不做多次采样择优；
- 成本按各模型提供商公开价格估算。
结果：
| 模型 | 解出任务数 | 通过率 | 估算成本 |
|---|---|---|---|
| apex-flash-1 | 40/60 | 66.7% | 数美元级/整套 |
| GLM-5.3-Flash（基座） | 36/60 | 60.0% | 约4.56美元 |
横向对比表中还出现了Aikido Security的Altar-1、Cisco Foundation AI的Foundation-Sec-8B-Reasoning等安全专用模型，apex-flash-1是其中参数规模最大、许可证最宽松（MIT）的一个。
攻防两面性：防御端的利器，也是攻击者的跳板
专用漏洞模型的成熟天然具有双刃剑属性：
- 防御侧：中小企业、开源项目维护者可以用极低的边际成本对自有代码库做持续审计，把过去只有大型科技公司安全团队才有的「漏洞狩猎」能力变成标配；
- 攻击侧：同样的能力也会被武器化——自动化筛选未公开漏洞、批量生成利用代码的门槛同步下降。
这也是谷歌在同期发布Gemini 4 Argon时把漏洞发现能力限定在「可信测试者与网络防御伙伴」先行的原因。Cantina选择直接MIT开源，押注的是「防御者数量远多于攻击者、开放审计最终让软件更安全」的开源安全传统逻辑，但640GB的显存门槛客观上把个人攻击者挡在了门外，主要使用者仍会是企业安全团队与云厂商。
编辑点评
2026年正在成为「安全智能体」的元年：苹果在操作系统层收紧AI智能体的磁盘权限，OpenAI被曝每天烧掉50万美元审查智能体日志，谷歌把自动修补漏洞作为旗舰模型的头号场景，而Cantina证明了开源垂直模型可以在保密真实漏洞任务上跑赢通用基座。
对国内企业的安全团队，这条新闻有三个直接动作建议：第一，在隔离环境中用vLLM/SGLang内测apex-flash-1，重点验证它对Java、Go等企业技术栈代码的审计覆盖率；第二，把「AI漏洞狩猎」纳入SDL（安全开发生命周期）流程，但所有模型输出的漏洞必须经人工复核——66.7%的通过率意味着仍有三分之一误报与漏报；第三，开始建设内部漏洞案例库，因为apex-flash-1的提升路径（真实案例RL微调）完全可以复制，谁掌握高质量私有漏洞语料，谁就能训练出下一个垂直安全模型。