我们的 LLMs

CyberStrike-OffSec-35B

专为攻击性安全构建的语言模型——基于100万+安全场景进行微调，在多个网络安全基准测试中排名第一。

在 HuggingFace 上查看 GGUF Variants

35B

参数量

~3B

活跃参数 (MoE)

1M+

训练样本

262K

最大上下文

基准测试结果

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%

快速开始

本地运行最简单的方式。

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

直接从 HuggingFace 运行或使用本地文件。

./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

用于生产级服务，兼容 OpenAI API。

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

配合 HuggingFace Transformers 库使用。

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,
)

能力

漏洞发现 (SQLi, XSS, SSRF, 反序列化)

MITRE ATT&CK 操作与 Kill Chain 分析

漏洞利用开发与 PoC 创建

云安全 (AWS/Azure/GCP 配置错误)

红队作战与横向移动

合规性 (NIST, OWASP ASVS, CIS, CVSS)

GGUF 量化版本

适用于 llama.cpp、Ollama 和 LM Studio 的本地推理优化变体。

Q8_0 最佳

大小: 36 GB BPW: 8.52 VRAM: 48+ GB

Q6_K 优秀

大小: 27 GB BPW: 6.58 VRAM: 32+ GB

Q5_K_M 很好

大小: 24 GB BPW: 5.71 VRAM: 32 GB

Recommended

Q4_K_M 良好

大小: 21 GB BPW: 4.89 VRAM: 24+ GB

使用场景

渗透测试

Web、网络、云和 API 安全测试

红队作战

完整 Kill Chain 模拟与对手仿真

漏洞研究

PoC 开发与漏洞利用分析

CTF 竞赛

挑战求解与技术识别

仅限授权使用。 这些模型仅用于授权的安全测试、研究和教育。用户必须在测试任何系统之前获得书面授权，并遵守所有适用法律。