Altar-1, le modèle IA local d’Aikido pour la sécurité

L’entreprise belge Aikido Security a présenté Altar-1, un modèle d’IA dédié à la détection de vulnérabilités et à l’analyse de code, capable de fonctionner sur l’infrastructure locale d’une organisation.

Aikido indique que l’accès aux poids du modèle et son déploiement local doivent réduire la dépendance aux services cloud et empêcher que le code sensible ainsi que les résultats de sécurité ne quittent les réseaux internes.

Altar-1 n’a pas été entraîné de zéro. Aikido l’a développé à partir de GLM-5.3 de Z.AI, puis en a réduit la taille grâce à la quantification et à l’élagage des experts.

Selon Aikido, le modèle GLM-5.3 complet pèse environ 1,51 téraoctet. La quantification a ramené cette taille à 488 gigaoctets, puis l’élagage à 328 gigaoctets.

Lors de l’élagage, Aikido a supprimé 88 des 256 blocs d’experts, soit environ 34,4 % d’entre eux.

Aikido affirme qu’Altar-1 est optimisé pour l’identification de vulnérabilités logicielles, l’analyse de code, l’appel d’outils, le raisonnement et les workflows de tests d’intrusion. Il peut fonctionner avec quatre GPU H200 et vLLM.

L’entreprise met en avant l’intérêt du modèle pour les organisations qui ne peuvent pas laisser sortir leur code ou leurs données de sécurité de leurs réseaux internes, notamment dans les secteurs bancaire, médical et des infrastructures critiques.

Pour son évaluation, Aikido a testé Altar-1 sur un ensemble de 32 vulnérabilités connues réparties dans 30 dépôts de code. Altar-1 a détecté 60,4 % des vulnérabilités au total et identifié au moins une occurrence pour 23 des 32 problèmes.

À titre de comparaison, Aikido fait état d’un taux de détection de 61,5 % pour GLM-5.3 quantifié et de 65,6 % pour la version originale de GLM-5.3. L’entreprise a elle-même réalisé ce test et précise que ces résultats ne reflètent pas nécessairement les performances sur des vulnérabilités inconnues ou en conditions réelles.

Aikido indique qu’Altar-1 marque la première étape du programme d’Aikido Labs visant à développer des modèles de sécurité dédiés à la recherche de vulnérabilités, à l’analyse de code, aux correctifs automatisés et aux tests d’intrusion avancés. Les poids du modèle sont publiés sur Hugging Face et le déploiement local est pris en charge.

Note technique : la page Hugging Face présente Altar-1 comme un modèle d’environ 504 milliards de paramètres, tandis que le chiffre de 328 gigaoctets correspond à la taille des poids en INT4. Aikido précise que ces deux valeurs ne sont pas équivalentes.