GLM-5.3 기반 사이버보안 특화 LLM 모델 공개
dealignai/GLM-5.3-CYBERSECURITY-FP8
Hugging Facedealignai가 대규모 언어 모델 GLM-5.3을 사이버보안에 특화한 'CRACK' 버전으로 출시했습니다. FP8 양자화를 적용하여 Hopper 아키텍처에서 높은 추론 속도를 제공하는 것이 특징입니다.
- 이 모델은 공격 보안, 레드팀 활동 등 사이버보안 관련 주제의 거부율을 대폭 낮췄습니다. 테스트 결과, 해당 분야에서는 89% 이상의 높은 준수율을 기록하며 성능을 입증했습니다.
- 보안 연구원이나 침투 테스트 전문가가 방어적 관점에서 공격 시나리오를 분석하거나 취약점을 탐지하는 등 전문적인 보안 작업에 활용할 수 있습니다.
- 다만, 이 모델은 사이버보안 도메인에 특화된 것이며 범용 '무삭제' 버전이 아닙니다. 저작권 복제는 여전히 제한적이므로 반드시 합법적이고 윤리적인 범위 내에서 사용해야 합니다.
dealignai가 GLM-5.3을 기반으로 한 'CYBERSECURITY-FP8' 버전의 CRACK 모델을 출시했습니다. 이 모델은 FP8 를 적용하여 Hopper 아키텍처에서 네이티브 속도를 제공하는 것이 특징입니다. 해당 모델은 upstream인 zai-org/GLM-5.3 (753B total, glm__dsa 구조)의 전문가 경로를 활용하며, 오직 bf16 잔여 쓰기 부분만 수정되었습니다.
이 모델은 사이버보안 도메인에 특화되어 공격 보안, 활동, 익스플로잇 개발 등 기술적 콘텐츠에서의 거부율을 낮추는 데 중점을 두었습니다. 테스트 결과, MMLU 종합 점수는 기존 GLM-5.3의 85.58%에서 86.65%로 상승했습니다. 다만, 사이버보안 외 비(非)사이버 카테고리(무기, 화학, 생물 등)에서는 여전히 거부 응답을 보일 수 있습니다.
HarmBench-320 테스트 결과에 따르면, 'cyber_offense' 주제의 경우 모든 추론 노력 수준(off/low/max)에서 89% 이상의 높은 TRUE_COMPLY 준수율을 기록했습니다. 그러나 저작권 관련 복제는 여전히 제한적인 부분이 있으며, 사용자는 이 모델이 사이버보안에 초점을 맞춘 것이지 범용 '무삭제' 버전은 아님을 인지해야 합니다.
용어 풀이
- 양자화
- 모델 숫자의 정밀도를 낮춰 크기와 메모리 사용을 줄이는 기법. 품질이 조금 떨어질 수 있어요.
- moe
- 여러 하위 모델 중 일부만 골라 계산하는 구조. 모델이 커도 실행 비용을 줄일 수 있어요.
- 레드팀
- 공격자 입장에서 AI의 약점과 위험을 일부러 찾아내는 시험.