当社の LLMs

CyberStrike-OffSec-35B

攻撃型セキュリティ向けに構築された言語モデル — 100万以上のセキュリティシナリオでファインチューニング済み、複数のサイバーセキュリティベンチマークで第1位。

HuggingFace で見る GGUF Variants

35B

パラメータ数

~3B

アクティブ (MoE)

1M+

トレーニングサンプル

262K

最大コンテキスト

ベンチマーク結果

SecEval

81.39%

+2.32 vs GPT-4-turbo

MITRE ATT&CK

93.94%

+5.34 vs GPT-4

CWE Knowledge

93.05%

CyberMetric-10K

86.61%

/25 models

MMLU Security

86.00%

クイックスタート

ローカルで実行する最も簡単な方法。

ollama run hf.co/oyildirim/CyberStrike-OffSec-35B-GGUF:Q4_K_M

HuggingFace から直接、またはローカルファイルで実行。

./llama-cli -hf oyildirim/CyberStrike-OffSec-35B-GGUF \
  -hff CyberStrike-OffSec-35B-Q5_K_M.gguf \
  -p "Explain SSRF exploitation in cloud environments" \
  -n 512 --temp 0.7

OpenAI 互換 API によるプロダクショングレードのサービング向け。

vllm serve oyildirim/CyberStrike-OffSec-35B \
  --dtype bfloat16 \
  --max-model-len 4096 \
  --trust-remote-code

HuggingFace Transformers ライブラリで使用。

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model = AutoModelForCausalLM.from_pretrained(
    "oyildirim/CyberStrike-OffSec-35B",
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True,
)
tokenizer = AutoTokenizer.from_pretrained(
    "oyildirim/CyberStrike-OffSec-35B",
    trust_remote_code=True,
)

機能

脆弱性発見 (SQLi, XSS, SSRF, デシリアライゼーション)

MITRE ATT&CK オペレーションと Kill Chain 分析

エクスプロイト開発と PoC 作成

クラウドセキュリティ (AWS/Azure/GCP の設定不備)

レッドチームオペレーションとラテラルムーブメント

コンプライアンス (NIST, OWASP ASVS, CIS, CVSS)

GGUF 量子化版

llama.cpp、Ollama、LM Studio でのローカル推論に最適化されたバリアント。

Q8_0 最高

サイズ: 36 GB BPW: 8.52 VRAM: 48+ GB

Q6_K 優秀

サイズ: 27 GB BPW: 6.58 VRAM: 32+ GB

Q5_K_M 非常に良い

サイズ: 24 GB BPW: 5.71 VRAM: 32 GB

Recommended

Q4_K_M 良い

サイズ: 21 GB BPW: 4.89 VRAM: 24+ GB

ユースケース

ペネトレーションテスト

Web、ネットワーク、クラウド、API のセキュリティテスト

レッドチームオペレーション

フル Kill Chain シミュレーションと敵対者エミュレーション

脆弱性リサーチ

PoC 開発とエクスプロイト分析

CTF コンペティション

チャレンジ解決とテクニック特定

許可された使用のみ。 これらのモデルは、許可されたセキュリティテスト、研究、教育を目的としています。ユーザーはシステムをテストする前に書面による許可を取得し、すべての適用法を遵守する必要があります。