CyberStrike-OffSec-35B
Modelos de linguagem construídos para segurança ofensiva — fine-tuned em 1M+ cenários de segurança, #1 em múltiplos benchmarks de cibersegurança.
Resultados de Benchmark
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%
Início Rápido
A forma mais fácil de executar localmente.
ollama run hf.co/oyildirim/CyberStrike-OffSec-35B-GGUF:Q4_K_MExecute diretamente do HuggingFace ou com um arquivo local.
./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 0.7Para serving de produção com API compatível com OpenAI.
vllm serve oyildirim/CyberStrike-OffSec-35B \
--dtype bfloat16 \
--max-model-len 4096 \
--trust-remote-codeUse com a biblioteca HuggingFace Transformers.
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,
)Capacidades
Quantizações GGUF
Variantes otimizadas para inferência local com llama.cpp, Ollama e LM Studio.
Casos de Uso
Teste de Penetração
Testes de segurança web, rede, cloud e API
Operações Red Team
Simulação completa de kill chain e emulação de adversário
Pesquisa de Vulnerabilidades
Desenvolvimento de PoC e análise de exploits
Competições CTF
Resolução de desafios e identificação de técnicas
Uso autorizado apenas. Estes modelos são destinados a testes de segurança autorizados, pesquisa e educação. Os usuários devem obter autorização por escrito antes de testar qualquer sistema e cumprir todas as leis aplicáveis.