Et nyt open-source framework, CyberFactory, kan ændre balancen i AI-drevet cybersikkerhed. Frameworket, beskrevet i et nyt paper, gør det muligt at træne sprogmodeller til at håndtere komplekse sikkerhedsopgaver – fra at finde sårbarheder til at rette dem – ved at bruge data fra virkelige CVE'er (kendte sårbarheder).
Det interessante er ikke kun den tekniske tilgang, men konsekvensen: hidtil har avancerede cybersikkerhedsfunktioner været domineret af lukkede modeller som Mythos. Med CyberFactory kan organisationer nu træne deres egne open-source-modeller med samme evner, uden at skulle dele følsomme data med eksterne udbydere.
Frameworket forbinder datakonstruktion, syntese af handlingssekvenser og modeltræning i ét samlet system. Det konverterer offentlige sårbarhedsartefakter, inklusive CVE'er, til eksekverbare og verificerbare opgaver. Modellen lærer ved at interagere med værktøjer og miljøer og revidere sine løsninger baseret på feedback – en metode der minder om, hvordan en menneskelig sikkerhedsekspert arbejder.
Resultatet er modellen Aegis, opkaldt efter Zeus' beskyttelsesskjold. På benchmark'et CyberGym opnår Aegis 52,4% Pass@1 under en times budget – en forbedring på 22,8 procentpoint over dens base-model Qwen 3.5, og den overgår de testede generelle open-source-modeller under samme betingelser.
For beslutningstagere betyder det, at open-source nu er en reel mulighed for sikkerhedskritiske opgaver. Virksomheder kan overveje at investere i open-source-modeller frem for dyre lukkede API'er, især hvis de har behov for kontrol over data og træningsprocesser. Samtidig bør sikkerhedsteams følge udviklingen tæt – open-source-kapaciteten kan både styrke forsvar og, i hænderne på ondsindede aktører, øge trusselsniveauet.
