始智AI wisemodel.cn社区是源自中国的中立开放的AI开源社区。正在，欢迎加入共同成长。wisemodel社区上线，价格实惠，灵活方便，支持在线微调训练模型，及和，并。
SecGPT能做什么？
SecGPT融合了自然语言理解、代码生成、安全知识推理等核心能力，已能胜任多种关键安全任务：在漏洞分析上，可识别漏洞成因、评估影响范围并提出修复建议；在日志/流量溯源方面，能辅助分析攻击链、复原攻击路径；异常检测时，可解析网络行为并判断是否存在潜在威胁；攻防推理中，支持红队演练与蓝队研判，完成多轮策略分析；命令解析能识别脚本意图、揭示潜在风险操作；知识问答则成为团队“即问即答”的安全知识库。
更重要的是，这些能力不再局限于“能回答”，而是可以被“调用”、“组合”、“协同”执行，从而支撑起复杂的安全智能任务流。
SecGPT定位：安全智能体的核心引擎
在“云起AI安全大脑”体系中，SecGPT是整个系统的统一语言理解与推理核心。
在“云起AI安全大脑”体系中，SecGPT是整个系统的统一语言理解与推理核心。它能理解自然语言，大幅降低使用门槛，助力非安全专家也能轻松上手；同时融合安全知识，具备上下文关联与多步推理能力，还拥有智能体持续优化、自我增强的持续学习反馈能力。
无论是作为单点智能助手，还是嵌入式任务引擎，SecGPT都已具备强大的适配性、扩展性与安全可控性。
自2023年SecGPT开源以来，大语言模型技术持续突飞猛进。从语言理解到逻辑推理，再到工具调用与多任务协同，行业标准几经更替，迈入智能体（Agentic AI）时代。与此同时，云起无垠也在持续推进商业版安全大模型 SecGPT Pro 的多轮迭代，核心能力已实现代际跃升。
但开源版本仍停留在早期阶段，在语言表达、安全理解与接口兼容性方面逐渐显现出技术边界，难以应对当前复杂多变的安全任务需求。因此决定对SecGPT开源模型进行全面升级，持续回馈全球安全社区，并助推安全智能体在更多场景中的落地与演化。
1、模型基础设施演进，旧模型能力边界暴露
大语言模型领域的基础设施已发生底层变动，与早期模型相比，新一代模型具备更长的上下文处理能力、更高效的注意力机制、结构更清晰的工具调用接口，以及支持Agent工作流的任务控制能力，例如支持MCP协议、ReAct思维链、Routing插件架构、Function Calling、工具上下文记忆、部署端的量化控制与微调架构等，这些都已成为安全智能体设计中的“新基础”。
而一旦开源模型长期不更新，就会面临一系列技术脱节问题：无法适配新一代推理引擎（如vLLM、TGI），无法兼容结构化插件调用（Function/API调度），缺失任务链调度能力（Task-Aware Routing），微调体系也无法与最新安全数据对齐（SFT+RLHF+RAG混合）。随着智能体形态的普及，这种能力缺口会迅速放大，直接影响用户体验和模型落地价值。
2、安全任务结构升级，模型能力多维要求
早期模型使用者多集中于问答类任务，例如安全知识普及、命令解析、脚本理解等。这类任务主要依赖语言理解能力，结构相对简单。然而，当安全模型真正进入研发、攻防、运营等实际场景后，任务呈现出明显的结构化、多轮化、工具化趋势：比如漏洞链条重建需要多日志输入与多阶段因果推理，多语言项目审计涉及代码上下文建模与跨文件引用分析，安全知识图谱构建要进行实体/关系抽取与图结构生成，安全运营协同则离不开工具调度、状态反馈及报告输出。
这类任务要求模型不仅具备语义理解能力，还要拥有推理路径构建能力（Chain-of-Thought/Tree-of-Thought）、知识检索与融合能力（用于语境增强与准确性提升）、任务规划与阶段控制能力（支持多轮次有状态任务执行）以及多工具协同使用能力（如模糊测试+漏洞扫描+资产识别）。
原有SecGPT模型架构难以完成上述能力组合，仅靠 prompt 注入或零样本提示远远不够。
3、现实挑战：通用模型无法替代专业安全模型
尽管DeepSeek、Qwen、LLaMA等开源大模型在通用语言理解、代码生成等任务中取得显著进展，但在安全场景下，它们面临以下结构性瓶颈，尤其在企业级私有部署环境中更为突出：
1）知识盲区广泛，缺乏关键安全语料支撑
通用模型训练语料以开放领域为主，严重缺乏如下高价值安全语料：渗透测试日志、攻击链行为样本、系统调用轨迹、漏洞利用（PoC/Exp）、红队审计报告等。这直接限制了其对实战攻防细节的掌握能力。
2）语义建模能力薄弱，缺乏安全背景意识
在漏洞成因理解、系统语境建模、协议行为解析等任务中，通用模型的理解能力多停留在浅层表述，无法进行因果链条建模与深层语义推理，缺乏“攻防语境”下的专业认知。
3）工具接口调用不精准，缺失系统适配能力
通用模型未针对安全工具（如模糊测试框架、漏洞扫描器、静态分析引擎等）进行微调和适配，导致在调用第三方接口时经常出现参数配置错误、上下文不匹配、调用逻辑混乱等问题，严重影响任务可执行性和稳定性。
4）任务链结构理解缺失，推理与执行脱节
安全任务往往涉及多步推理（理解 → 分析 → 调用工具 → 收集反馈 → 修复建议），通用模型缺乏对这类“任务链”结构的建模能力，常常出现中途跳跃、逻辑断裂、输出不可收敛等现象，无法胜任复杂工作流调度任务。
当前通用大模型在安全场景中往往表现为“语言流畅但逻辑混乱，表达顺畅但结果失真”。在真实系统环境下，其输出容易出现答非所问、指令不收敛、工具调用失败、上下文错乱等问题，难以支撑企业对安全智能体高可信、高精度、高可控的实际需求。
本轮升级，云起无垠同步发布了1.5B / 7B / 14B三个模型规格，全面适配从低配CPU、本地4090 GPU到企业级多卡集群等多种运行环境，实现大模型能力的普适化落地。更大规模的32B、72B、671B旗舰版也将在后续分批开放，进一步支撑企业级复杂安全任务的多轮推理与智能决策。
1、更强的基座能力：通用+安全深度融合
云起无垠基于Qwen2.5-Instruct系列与DeepSeek-R1系列基座模型，结合自建安全任务集与安全知识库，在8台A100 GPU集群上持续训练一周以上，完成大规模预训练 + 指令微调 + 强化学习，显著提升模型在安全场景中的理解、推理与响应能力。
下图展示了一次训练过程中各关键指标的演化轨迹：
模型训练与评估过程示例图
2、更大的高质量安全语料库：私有+公共数据双轮驱动
云起无垠已构建了一个超大规模、结构完备的网络安全语料库，总量超过5TB、共计106,721个原始文件，其中超过 40%内容为人工精选与结构化处理。私有数据部分系统整合了具备70+字段 / 14类结构标签体系的安全数据资源，经过统一清洗、语义标注与重构，构建出数百亿 Tokens 级的高质量语料，为大模型深度推理能力提供坚实支撑。
下图展示了该语料库的构成维度，整体采集逻辑遵循“理论支撑 — 实战对抗 — 应用落地”三层结构体系：
该技术的亮点在于采用双轮驱动机制（私有+公共数据），保障了语料在广度与深度上的协同提升；同时构建了多维标签体系，使语料具备更强的结构化能力与上下文理解能力；此外，通过三层语料构建逻辑，覆盖了从知识构建、威胁应对到实战部署的完整安全任务链路。
3、能力跃升：SecGPT正在蜕变为“安全助手”
通过多轮数据优化与任务精调，SecGPT已在多个能力维度实现跨越式进展：它更懂攻击链、攻防语言与行业术语，更擅长处理复杂日志与漏洞描述，也更适配私有化部署、边缘推理等现实场景。
1、模型能力评测：全面指标跃升，实战智能初现
为全面评估 SecGPT 的安全实战能力，云起无垠构建了一套覆盖安全证书问答、安全通识、编程能力、知识理解与推理能力的综合评估体系，主要采用以下标准化数据集：CISSP、CS-eval、Ceval、GSM8K、BBH。
在与原始模型 SecGPT-mini 的对比中，训练后的模型在所有指标上均实现大幅跃升，具体如下：
1）模型横向评测对比表
对SecGPT的能力跃升可作如下解读：从mini到1.5B，其具备了“能答对”的基础问答能力，可适配中低复杂度任务；从1.5B到7B，推理深度和泛化能力显著增强，能够理解任务意图并构建较为完整的解决路径；而从7B到14B，能力则跃迁至“类专家”级，能够处理高复杂度推理、安全策略制定等高阶任务。
2）模型横向评测对比
相较于基础模型 Qwen2.5-Instruct，SecGPT 在所有评测指标上均实现实质性超越，反映出在数据构建、微调范式、安全任务精调机制上的整体优化成效：
2、安全能力提升：更全、更准、更专业
本轮升级中，SecGPT在安全知识问答方面完成了从信息整合到逻辑输出的能力跃迁，具体体现在：
1）渗透测试场景能力
SecGPT 能够模拟渗透攻击流程，从信息收集、漏洞利用到提权横向，具备关键工具命令分析、Payload 构造、利用链生成等能力。
2）日志分析和流量分析能力
在安全日志与网络流量场景下，SecGPT 能自动识别异常事件、构建攻击链图谱、抽取关键 IOC（Indicator of Compromise），辅助完成事件溯源与告警分类。
3）逆向分析能力
基于对反汇编、API 调用序列、加壳行为等低层数据的理解，SecGPT 能辅助完成恶意样本的静态分析、特征提取与家族归类，具备一定的逆向辅助解读能力。
4）代码审计能力
5）工具使用
1. 发布首份网络安全大模型基准评测报告
首份网络安全大模型能力评测与选型报告将发布，围绕威胁情报问答、代码审计、日志分析等典型场景，构建一套系统化、透明且可复现的评测体系，全面对比当前主流模型的能力边界。这份报告不仅为安全技术社区提供清晰的对比依据，也将成为合作伙伴制定Fine-tune策略 和智能体架构选型的关键参考材料。
2. 全面复盘：如何训练一个真正“懂安全”的大模型
尽管通用大模型在语言理解领域已取得显著进展，但能够真正理解攻击链逻辑、漏洞细节、胜任安全推理与实战辅助的大模型仍然稀缺。 云起无垠将以全栈视角，全面复盘“如何训练一个好用的安全大模型”，包括高质量安全训练数据构建、模型架构调优、多任务对齐训练、能力评测体系设计等关键环节，打通数据→算法→评测的闭环路径，推动安全智能体的实用化落地。
3. 自动化 CTF 解题能力建设：迈向安全智能体的第一步
云起无垠正在持续推进SecGPT在CTF解题任务中的自动化能力，目标是实现“理解题意 → 推理思路 → 构造Payload → 完成解题”的闭环流程。
目前模型已在大量真实题目中完成微调，具备初步能力：理解题意与还原考点，自动构造注入、命令执行、ROP等攻击链，解释与变换攻击命令含义，同类题型的迁移泛化表现良好。
下一步将聚焦标准化数据构建、解题评分指标、自动解题Agent原型开发，以及联合社区开展实战挑战验证。CTF场景将成为安全大模型迈向Agent化的典型突破口。
4. 安全训练数据集逐步开放，共建数据基座
云起无垠正在建设并逐步开放一批具备混合结构、场景标签的高质量安全数据集，覆盖知识问答、代码审计、漏洞挖掘、威胁情报解析、流量分析等关键任务场景。 未来将支持多语言、多模态、多任务协同训练，进一步增强安全大模型的泛化能力和实战适应性。
编辑：成蕴年