자체 LLM
CyberStrike-OffSec-35B
공격 보안 전용 언어 모델 — 1M+ 보안 시나리오로 파인튜닝, 여러 사이버보안 벤치마크에서 #1.
35B
파라미터
~3B
활성 (MoE)
1M+
학습 샘플
262K
최대 컨텍스트
벤치마크 결과
벤치마크 결과
SecEval
81.39%
#1
+2.32 vs GPT-4-turbo
MITRE ATT&CK
93.94%
#1
+5.34 vs GPT-4
CWE Knowledge
93.05%
#1
CyberMetric-10K
86.61%
#4
/25 models
MMLU Security
86.00%
빠른 시작
빠른 시작
가장 쉬운 로컬 실행 방법.
ollama run hf.co/oyildirim/CyberStrike-OffSec-35B-GGUF:Q4_K_MHuggingFace에서 직접 또는 로컬 파일로 실행.
./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 0.7OpenAI 호환 API를 사용한 프로덕션급 서빙.
vllm serve oyildirim/CyberStrike-OffSec-35B \
--dtype bfloat16 \
--max-model-len 4096 \
--trust-remote-codeHuggingFace Transformers 라이브러리와 함께 사용.
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,
)역량
역량
취약점 탐지 (SQLi, XSS, SSRF, 역직렬화)
MITRE ATT&CK 운용 및 Kill Chain 분석
익스플로잇 개발 및 PoC 생성
클라우드 보안 (AWS/Azure/GCP 설정 오류)
레드팀 운용 및 측면 이동
컴플라이언스 (NIST, OWASP ASVS, CIS, CVSS)
GGUF 양자화
GGUF 양자화
llama.cpp, Ollama, LM Studio와 함께 로컬 추론에 최적화된 변형.
Q8_0 최상
크기: 36 GB BPW: 8.52 VRAM: 48+ GB
Q6_K 우수
크기: 27 GB BPW: 6.58 VRAM: 32+ GB
Q5_K_M 매우 좋음
크기: 24 GB BPW: 5.71 VRAM: 32 GB
Recommended
Q4_K_M 좋음
크기: 21 GB BPW: 4.89 VRAM: 24+ GB
활용 사례
활용 사례
침투 테스트
웹, 네트워크, 클라우드, API 보안 테스트
레드팀 운용
전체 Kill Chain 시뮬레이션 및 적대적 에뮬레이션
취약점 연구
PoC 개발 및 익스플로잇 분석
CTF 대회
문제 풀이 및 기법 식별
승인된 사용만 가능합니다. 이 모델은 승인된 보안 테스트, 연구, 교육을 위한 것입니다. 시스템 테스트 전 서면 승인을 받고 모든 관련 법률을 준수해야 합니다.