开源模型apex-flash-1专注漏洞研究，66.7%任务通过率

专为安全研究打造的开源大模型

Cantina Security联合Yeta Labs正式发布apex-flash-1——一款面向漏洞研究（vulnerability research）场景定制训练的开源权重大模型。该模型基于Z.ai发布的GLM-5.3-Flash基础模型，采用强化学习（RL）方式进行微调，并于Hugging Face平台以MIT许可证开源。官方确认其权重可直接部署于vLLM、SGLang或Hugging Face Transformers等主流推理框架，但BF16精度下需约640 GB GPU显存，需多卡节点支持；社区已推出INT4量化版本以降低硬件门槛。

模型架构与训练方法

根据Hugging Face模型卡片元数据，apex-flash-1总参数量为321.3B。其基座GLM-5.3-Flash本身为混合专家（MoE）架构，每次前向传播仅激活18B参数。Cantina团队采用广义相对策略优化（GRPO）算法进行微调，结合秩为256的LoRA适配器，并对部分关键层实施选择性全参数训练。训练数据源自50个真实漏洞案例，每个案例构造出3种变体任务：引导式白盒、聚焦式白盒与聚焦式黑盒，共形成150个训练任务。其中，授权、身份与作用域类缺陷占全部案例的72%，会计逻辑与数值精度问题占18%，其余为时间校验、业务规则及服务端请求伪造（SSRF）等类型。所有强化学习推演均在Codex智能体运行环境内完成，模拟真实软件与协议生产环境。

基准测试结果：高性价比的漏洞研究工具

Cantina在60个未参与训练的漏洞任务（来自20个独立预留案例）上评估模型性能。结果显示：apex-flash-1达成40/60任务解决率（66.7% pass@1），单次推理成本约为2.38美元；对比基座模型GLM-5.3-Flash（未微调）为36/60（60.0%，成本约4.56美元）；而闭源商业模型Claude Opus 5 High虽达43/60（71.7%），但单次成本高达74.68美元，约为apex-flash-1的31倍。按单位任务成本折算，apex-flash-1约为0.06美元/任务，Opus则达1.74美元/任务。需注意，该基准为Cantina内部构建，非第三方通用评测。

定位为‘可编排的工作者’而非自主决策者

Cantina明确将apex-flash-1定位为“被调度的工作者模型”（worker model），而非端到端自主智能体。模型卡片指出，其核心能力聚焦于代码阅读、工具调用、漏洞利用开发与验证等细分技能，需由更高层级的协调模型（如Orchestrator）进行任务分发与结果整合。团队还发布了实验性变体apex-flash-1-abliterated，修改了拒绝响应行为，但未单独报告其评测结果。Cantina强调，该设计旨在满足防御方对本地可控、可审计、可离线运行的安全AI能力的迫切需求。

跨模型横向对比

在公开可查的模型对比中，apex-flash-1与Aikido Security的Aikido、Cisco Foundation AI的Sec-8B-Reasoning、Z.ai的GLM-5.3-Flash等同属安全垂直领域模型。其321.3B总参数与18B激活参数的MoE结构，在规模上显著高于8B级竞品（如Cisco Sec-8B），但低于Aikido的328B总参模型。许可方面，apex-flash-1与GLM-5.3-Flash同为MIT许可，而Aikido采用自定义许可（详见NOTICE.md）。在硬件适配性上，apex-flash-1需多GPU节点，Aikido需4×H200，Cisco Sec-8B可在单卡运行。在各自报告的安全评测中，apex-flash-1在60任务集上达66.7% pass@1，Aikido在32个CVE样本上达60.4%召回率，Cisco未披露具体任务集细节，GLM-5.3-Flash基座模型在相同60任务集上为60.0%。

编者观点

对中国网络安全企业而言，apex-flash-1印证了开源大模型在专业安全领域的可行性路径：依托高质量真实漏洞数据+针对性RL微调+轻量级适配技术，可在可控成本下构建具备实用价值的垂直能力模型，为构建自主可控的AI原生安全基础设施提供新范式。