2025 年，AI不再只是內(nèi)容生成工具，它正成為各行各業(yè)的“第二大腦”。

隨著GPT-4.5、DeepSeek等新一代大模型的崛起，我們正進(jìn)入Agentic AI(智能體AI)的時(shí)代—— 它不僅能對(duì)話，還能思考、執(zhí)行和協(xié)作，正在重塑整個(gè)生產(chǎn)力范式：

AI Coding：開發(fā)者從寫代碼者，變?yōu)榧軜?gòu)師和指揮官

Deep Research：安全研究員配備“超級(jí)助手”，漏洞分析效率倍增

Security Copilot：SecGPT不再是提示詞工具，而是實(shí)戰(zhàn)中的“作戰(zhàn)參謀”

“模型即產(chǎn)品”正在成為現(xiàn)實(shí)，Agentic AI 正走入你我身邊。

—— 引用自海外獨(dú)角獸發(fā)布材料

而這一次，云起無垠沒有止步于“能用”，我們?cè)谧非蟆昂糜谩钡耐瑫r(shí)，更關(guān)注真正實(shí)戰(zhàn)可落地的AI安全能力。

從模型訓(xùn)練、數(shù)據(jù)構(gòu)建、能力評(píng)測，到安全Copilot應(yīng)用，我們打造出更聰明、更安全、更懂安全的SecGPT 2.0。開源模型可以去github下載使用。

下一站，我們將共同邁入Agentic Security的未來。

歡迎加入這場由“安全智能體”引領(lǐng)的技術(shù)革新！

01什么是SecGPT?

在通用大模型席卷全球的今天，云起無垠選擇了一條不同的路：打造真正懂網(wǎng)絡(luò)安全的大模型。

這不是一次“技術(shù)熱潮”的追隨，而是一次面向?qū)崙?zhàn)的系統(tǒng)性創(chuàng)新。

SecGPT，正是我們?cè)?023年推出的開源成果——全球首個(gè)聚焦網(wǎng)絡(luò)安全的大模型。

|我們希望它不只是“會(huì)說安全”，而是真正能“做安全”的智能體。

自發(fā)布以來，SecGPT持續(xù)受到全球安全技術(shù)社區(qū)的高度關(guān)注：

GitHub收獲Star數(shù)突破2,300+

HuggingFace下載量超過10,000+

被數(shù)十家安全團(tuán)隊(duì)用于安全問答、漏洞歸因、攻防演練等實(shí)戰(zhàn)任務(wù)

SecGPT 能做什么？

SecGPT融合了自然語言理解、代碼生成、安全知識(shí)推理等核心能力，已經(jīng)能夠勝任多種關(guān)鍵安全任務(wù)：

漏洞分析：識(shí)別漏洞成因、評(píng)估影響范圍、提出修復(fù)建議

日志/流量溯源：輔助分析攻擊鏈、復(fù)原攻擊路徑

異常檢測：解析網(wǎng)絡(luò)行為，判斷是否存在潛在威脅

攻防推理：支持紅隊(duì)演練/藍(lán)隊(duì)研判，完成多輪策略分析

命令解析：識(shí)別腳本意圖，揭示潛在風(fēng)險(xiǎn)操作

知識(shí)問答：成為團(tuán)隊(duì)“即問即答”的安全知識(shí)庫

這些能力不再停留在“能回答”，而是可以被“調(diào)用”、“組合”、“協(xié)同”執(zhí)行，支撐起復(fù)雜的安全智能任務(wù)流。

SecGPT 的定位：安全智能體的核心引擎

在“云起AI安全大腦”體系中，SecGPT是整個(gè)系統(tǒng)的統(tǒng)一語言理解與推理核心。

理解自然語言：大幅降低使用門檻，助力非安全專家也能上手

融合安全知識(shí)：具備上下文關(guān)聯(lián)與多步推理能力

持續(xù)學(xué)習(xí)反饋：具備智能體持續(xù)優(yōu)化、自我增強(qiáng)的能力

無論是作為單點(diǎn)智能助手，還是嵌入式任務(wù)引擎，SecGPT都已具備強(qiáng)大的適配性、擴(kuò)展性與安全可控性。

02為什么我們要持續(xù)更新SecGPT?

自2023年SecGPT開源以來，大語言模型技術(shù)持續(xù)突飛猛進(jìn)。從語言理解到邏輯推理，再到工具調(diào)用與多任務(wù)協(xié)同，行業(yè)標(biāo)準(zhǔn)幾經(jīng)更替，邁入智能體（Agentic AI）時(shí)代。與此同時(shí)，云起無垠也在持續(xù)推進(jìn)商業(yè)版安全大模型 SecGPT Pro 的多輪迭代，核心能力已實(shí)現(xiàn)代際躍升。

但開源版本仍停留在早期階段，在語言表達(dá)、安全理解與接口兼容性方面逐漸顯現(xiàn)出技術(shù)邊界，難以應(yīng)對(duì)當(dāng)前復(fù)雜多變的安全任務(wù)需求。因此，我們決定對(duì)SecGPT開源模型進(jìn)行全面升級(jí)，持續(xù)回饋全球安全社區(qū)，并助推安全智能體在更多場景中的落地與演化。

1）模型基礎(chǔ)設(shè)施演進(jìn)，舊模型能力邊界逐漸暴露

大語言模型領(lǐng)域的基礎(chǔ)設(shè)施已經(jīng)發(fā)生底層變動(dòng)。相比早期模型，新一代模型具備更長上下文處理能力、更高效的注意力機(jī)制、結(jié)構(gòu)更清晰的工具調(diào)用接口，以及支持Agent工作流的任務(wù)控制能力。例如，支持MCP協(xié)議、ReAct思維鏈、Routing插件架構(gòu)、Function Calling、工具上下文記憶、部署端的量化控制與微調(diào)架構(gòu)等，都已成為安全智能體設(shè)計(jì)中的“新基礎(chǔ)”。

一旦開源模型長期不更新，將面臨以下技術(shù)脫節(jié)問題：

無法適配新一代推理引擎（如 vLLM、TGI）

無法兼容結(jié)構(gòu)化插件調(diào)用（Function/API 調(diào)度）

缺失任務(wù)鏈調(diào)度能力（Task-Aware Routing）

微調(diào)體系無法與最新安全數(shù)據(jù)對(duì)齊（SFT+RLHF+RAG混合）

隨著智能體形態(tài)的普及，能力缺口將迅速放大，直接影響用戶體驗(yàn)和模型落地價(jià)值。

2）安全任務(wù)結(jié)構(gòu)升級(jí)，對(duì)模型能力提出多維要求

早期模型使用者多集中于問答類任務(wù)，例如安全知識(shí)普及、命令解析、腳本理解等。這類任務(wù)主要依賴語言理解能力，結(jié)構(gòu)相對(duì)簡單。然而，當(dāng)安全模型真正進(jìn)入研發(fā)、攻防、運(yùn)營等實(shí)際場景后，任務(wù)呈現(xiàn)出明顯的結(jié)構(gòu)化、多輪化、工具化趨勢：

漏洞鏈條重建→多日志輸入+多階段因果推理

多語言項(xiàng)目審計(jì)→代碼上下文建模+跨文件引用分析

安全知識(shí)圖譜構(gòu)建→抽取實(shí)體/關(guān)系+圖結(jié)構(gòu)生成

安全運(yùn)營協(xié)同→工具調(diào)度+狀態(tài)反饋+報(bào)告輸出

這類任務(wù)要求模型不僅具備語義理解能力，還要具備：

推理路徑構(gòu)建能力（Chain-of-Thought/Tree-of-Thought）

知識(shí)檢索與融合能力（用于語境增強(qiáng)與準(zhǔn)確性提升）

任務(wù)規(guī)劃與階段控制能力（支持多輪次有狀態(tài)任務(wù)執(zhí)行）

多工具協(xié)同使用能力（如模糊測試 + 漏洞掃描 + 資產(chǎn)識(shí)別）

原有SecGPT模型架構(gòu)難以完成上述能力組合，僅靠 Prompt 注入或零樣本提示遠(yuǎn)遠(yuǎn)不夠。

3）現(xiàn)實(shí)挑戰(zhàn)：通用模型無法替代專業(yè)安全模型

盡管DeepSeek、Qwen、LLaMA等開源大模型在通用語言理解、代碼生成等任務(wù)中取得顯著進(jìn)展，但在安全場景下，它們面臨以下結(jié)構(gòu)性瓶頸，尤其在企業(yè)級(jí)私有部署環(huán)境中更為突出：

（1）知識(shí)盲區(qū)廣泛，缺乏關(guān)鍵安全語料支撐 

通用模型訓(xùn)練語料以開放領(lǐng)域?yàn)橹?，?yán)重缺乏如下高價(jià)值安全語料：滲透測試日志、攻擊鏈行為樣本、系統(tǒng)調(diào)用軌跡、漏洞利用（PoC/Exp）、紅隊(duì)審計(jì)報(bào)告等。這直接限制了其對(duì)實(shí)戰(zhàn)攻防細(xì)節(jié)的掌握能力。

（2）語義建模能力薄弱，缺乏安全背景意識(shí) 

在漏洞成因理解、系統(tǒng)語境建模、協(xié)議行為解析等任務(wù)中，通用模型的理解能力多停留在淺層表述，無法進(jìn)行因果鏈條建模與深層語義推理，缺乏“攻防語境”下的專業(yè)認(rèn)知。

（3）工具接口調(diào)用不精準(zhǔn)，缺失系統(tǒng)適配能力 

通用模型未針對(duì)安全工具（如模糊測試框架、漏洞掃描器、靜態(tài)分析引擎等）進(jìn)行微調(diào)和適配，導(dǎo)致在調(diào)用第三方接口時(shí)經(jīng)常出現(xiàn)參數(shù)配置錯(cuò)誤、上下文不匹配、調(diào)用邏輯混亂等問題，嚴(yán)重影響任務(wù)可執(zhí)行性和穩(wěn)定性。

（4）任務(wù)鏈結(jié)構(gòu)理解缺失，推理與執(zhí)行脫節(jié) 

安全任務(wù)往往涉及多步推理（理解→分析→調(diào)用工具→收集反饋→修復(fù)建議），通用模型缺乏對(duì)這類“任務(wù)鏈”結(jié)構(gòu)的建模能力，常常出現(xiàn)中途跳躍、邏輯斷裂、輸出不可收斂等現(xiàn)象，無法勝任復(fù)雜工作流調(diào)度任務(wù)。

當(dāng)前通用大模型在安全場景中往往表現(xiàn)為“語言流暢但邏輯混亂，表達(dá)順暢但結(jié)果失真”。在真實(shí)系統(tǒng)環(huán)境下，其輸出容易出現(xiàn)答非所問、指令不收斂、工具調(diào)用失敗、上下文錯(cuò)亂等問題，難以支撐企業(yè)對(duì)安全智能體高可信、高精度、高可控的實(shí)際需求。

03本次更新，SecGPT能力提升了哪些維度?

本輪升級(jí)，我們同步發(fā)布了1.5B / 7B / 14B三個(gè)模型規(guī)格，全面適配從低配CPU、本地4090 GPU到企業(yè)級(jí)多卡集群等多種運(yùn)行環(huán)境，實(shí)現(xiàn)大模型能力的普適化落地。更大規(guī)模的32B、72B、671B旗艦版也將在后續(xù)分批開放，進(jìn)一步支撐企業(yè)級(jí)復(fù)雜安全任務(wù)的多輪推理與智能決策。

本輪更新亮點(diǎn)

1. 更強(qiáng)的基座能力：通用+安全深度融合

我們基于Qwen2.5-Instruct系列與DeepSeek-R1系列基座模型，結(jié)合自建安全任務(wù)集與安全知識(shí)庫，在8臺(tái)A100 GPU集群上持續(xù)訓(xùn)練一周以上，完成大規(guī)模預(yù)訓(xùn)練 + 指令微調(diào) + 強(qiáng)化學(xué)習(xí)，顯著提升模型在安全場景中的理解、推理與響應(yīng)能力。

下圖展示了一次訓(xùn)練過程中各關(guān)鍵指標(biāo)的演化軌跡：

訓(xùn)練與驗(yàn)證損失（train/loss 與 eval/loss）：二者均呈現(xiàn)出平穩(wěn)下降趨勢，說明模型在訓(xùn)練集與驗(yàn)證集上均持續(xù)收斂，未出現(xiàn)過擬合跡象。

學(xué)習(xí)率曲線（train/learning_rate）：采用典型的 Warmup + 衰減策略，有效提升了早期訓(xùn)練的穩(wěn)定性與收斂速度。

梯度范數(shù)（train/grad_norm）：整體波動(dòng)平穩(wěn)，僅在少數(shù)步數(shù)存在輕微尖峰，未出現(xiàn)梯度爆炸或消失，表明訓(xùn)練過程健康穩(wěn)定。

評(píng)估表現(xiàn)：eval/runtime與 eval/samples_per_second波動(dòng)范圍小，說明在評(píng)估過程中系統(tǒng)資源使用高效，推理吞吐量穩(wěn)定。

其他指標(biāo)：如訓(xùn)練輪數(shù)（train/epoch）、輸入token 數(shù)量（train/num_input_tokens_seen）等也表明訓(xùn)練過程如期進(jìn)行，達(dá)成預(yù)期計(jì)劃。

模型訓(xùn)練與評(píng)估過程示例圖

2. 更大的高質(zhì)量安全語料庫：私有 + 公共數(shù)據(jù)雙輪驅(qū)動(dòng)

我們已構(gòu)建了一個(gè)超大規(guī)模、結(jié)構(gòu)完備的網(wǎng)絡(luò)安全語料庫，總量超過5TB、共計(jì)106,721個(gè)原始文件，其中超過 40%內(nèi)容為人工精選與結(jié)構(gòu)化處理。私有數(shù)據(jù)部分系統(tǒng)整合了具備70+字段 / 14類結(jié)構(gòu)標(biāo)簽體系的安全數(shù)據(jù)資源，經(jīng)過統(tǒng)一清洗、語義標(biāo)注與重構(gòu)，構(gòu)建出數(shù)百億 Tokens 級(jí)的高質(zhì)量語料，為大模型深度推理能力提供堅(jiān)實(shí)支撐。

下圖展示了該語料庫的構(gòu)成維度，整體采集邏輯遵循“理論支撐 — 實(shí)戰(zhàn)對(duì)抗 — 應(yīng)用落地”三層結(jié)構(gòu)體系：

理論支撐：涵蓋法律法規(guī)、學(xué)術(shù)論文、行業(yè)報(bào)告等權(quán)威資料，為模型提供穩(wěn)固的知識(shí)基座；

實(shí)戰(zhàn)對(duì)抗：包括漏洞詳情、CTF題庫、日志流量、惡意樣本與逆向分析等數(shù)據(jù)，提升模型對(duì)真實(shí)攻擊行為的識(shí)別與追蹤能力；

應(yīng)用落地：涵蓋安全社區(qū)博客、教育培訓(xùn)資料、安全知識(shí)圖譜與自動(dòng)化策略，增強(qiáng)模型在安全運(yùn)營、輔助決策等場景中的適配能力。

技術(shù)亮點(diǎn)：

雙輪驅(qū)動(dòng)機(jī)制（私有 + 公共數(shù)據(jù)）保障語料在廣度與深度上的協(xié)同提升；

多維標(biāo)簽體系使語料具備更強(qiáng)的結(jié)構(gòu)化能力與上下文理解能力；

三層語料構(gòu)建邏輯覆蓋從知識(shí)構(gòu)建、威脅應(yīng)對(duì)到實(shí)戰(zhàn)部署的完整安全任務(wù)鏈路。

3. 能力躍升：SecGPT正在蛻變?yōu)椤鞍踩帧?/p>

通過多輪數(shù)據(jù)優(yōu)化與任務(wù)精調(diào)，SecGPT已實(shí)現(xiàn)多個(gè)能力維度的跨越式進(jìn)展：

更懂攻擊鏈、攻防語言與行業(yè)術(shù)語

更擅長處理復(fù)雜日志與漏洞描述

更適配私有化部署、邊緣推理等現(xiàn)實(shí)場景

核心能力提升詳解

1. 模型能力評(píng)測：全面指標(biāo)躍升，實(shí)戰(zhàn)智能初現(xiàn)

為全面評(píng)估 SecGPT 的安全實(shí)戰(zhàn)能力，我們構(gòu)建了一套覆蓋安全證書問答、安全通識(shí)、編程能力、知識(shí)理解與推理能力的綜合評(píng)估體系，主要采用以下標(biāo)準(zhǔn)化數(shù)據(jù)集：CISSP、CS-EVAL、CEVAL、GSM8K、BBH。

在與原始模型 SecGPT-mini 的對(duì)比中，訓(xùn)練后的模型在所有指標(biāo)上均實(shí)現(xiàn)大幅躍升，具體如下：

1）模型橫向評(píng)測對(duì)比表

能力躍升解讀：

mini→1.5B：具備“能答對(duì)”的基礎(chǔ)問答能力，適配中低復(fù)雜度任務(wù)；

1.5B→7B：推理深度、泛化能力顯著增強(qiáng)，能理解任務(wù)意圖并構(gòu)建較為完整的解決路徑；

7B→14B：能力躍遷至“類專家”級(jí)，能夠處理高復(fù)雜度推理、安全策略制定等高階任務(wù)。

模型橫向評(píng)測對(duì)比

相較于基礎(chǔ)模型 Qwen2.5-Instruct，SecGPT 在所有評(píng)測指標(biāo)上均實(shí)現(xiàn)實(shí)質(zhì)性超越，反映出我們?cè)跀?shù)據(jù)構(gòu)建、微調(diào)范式、安全任務(wù)精調(diào)機(jī)制上的整體優(yōu)化成效：

洞察亮點(diǎn)：

在CISSP和CS-EVAL等安全類數(shù)據(jù)集上，SecGPT 在所有參數(shù)規(guī)模下均表現(xiàn)優(yōu)于Qwen2.5同規(guī)格版本；

表明我們構(gòu)建的安全任務(wù)指令集與精調(diào)策略已顯著提升模型的實(shí)戰(zhàn)應(yīng)用能力與專業(yè)問答深度。

2. 安全能力提升：更全、更準(zhǔn)、更專業(yè)

本輪升級(jí)中，SecGPT在安全知識(shí)問答方面完成了從信息整合到邏輯輸出的能力躍遷，具體體現(xiàn)在：

知識(shí)覆蓋更全面：引入了涵蓋法律法規(guī)、攻擊戰(zhàn)術(shù)、逆向分析等14類安全知識(shí)領(lǐng)域的結(jié)構(gòu)化語料；

答案生成更精準(zhǔn)：通過多輪對(duì)話控制與語義優(yōu)化技術(shù)，提升了問答對(duì)齊率與上下文記憶穩(wěn)定性；

推理能力更突出：具備多段知識(shí)聯(lián)結(jié)與復(fù)合邏輯推演能力，能完成如攻擊鏈分析、威脅研判等復(fù)雜任務(wù)。

1）滲透測試場景能力

SecGPT 能夠模擬滲透攻擊流程，從信息收集、漏洞利用到提權(quán)橫向，具備關(guān)鍵工具命令分析、Payload 構(gòu)造、利用鏈生成等能力。

2）日志分析和流量分析能力

在安全日志與網(wǎng)絡(luò)流量場景下，SecGPT 能自動(dòng)識(shí)別異常事件、構(gòu)建攻擊鏈圖譜、抽取關(guān)鍵 IOC（Indicator of Compromise），輔助完成事件溯源與告警分類。

3）逆向分析能力

基于對(duì)反匯編、API調(diào)用序列、加殼行為等低層數(shù)據(jù)的理解，SecGPT能輔助完成惡意樣本的靜態(tài)分析、特征提取與家族歸類，具備一定的逆向輔助解讀能力。

代碼

5）工具使用

04接下來，我們要做的還有很多……

1. 發(fā)布首份網(wǎng)絡(luò)安全大模型基準(zhǔn)評(píng)測報(bào)告

我們即將發(fā)布首份網(wǎng)絡(luò)安全大模型能力評(píng)測與選型報(bào)告，圍繞威脅情報(bào)問答、代碼審計(jì)、日志分析等典型場景，構(gòu)建一套系統(tǒng)化、透明且可復(fù)現(xiàn)的評(píng)測體系，全面對(duì)比當(dāng)前主流模型的能力邊界。這份報(bào)告不僅為安全技術(shù)社區(qū)提供清晰的對(duì)比依據(jù)，也將成為合作伙伴制定Fine-tune策略 和智能體架構(gòu)選型的關(guān)鍵參考材料。

2. 全面復(fù)盤：如何訓(xùn)練一個(gè)真正“懂安全”的大模型

盡管通用大模型在語言理解領(lǐng)域已取得顯著進(jìn)展，但能夠真正理解攻擊鏈邏輯、漏洞細(xì)節(jié)、勝任安全推理與實(shí)戰(zhàn)輔助的大模型仍然稀缺。 我們將以全棧視角，全面復(fù)盤“如何訓(xùn)練一個(gè)好用的安全大模型”，包括高質(zhì)量安全訓(xùn)練數(shù)據(jù)構(gòu)建、模型架構(gòu)調(diào)優(yōu)、多任務(wù)對(duì)齊訓(xùn)練、能力評(píng)測體系設(shè)計(jì)等關(guān)鍵環(huán)節(jié)，打通數(shù)據(jù)→算法→評(píng)測的閉環(huán)路徑，推動(dòng)安全智能體的實(shí)用化落地。

3. 自動(dòng)化 CTF 解題能力建設(shè)：邁向安全智能體的第一步

我們正在持續(xù)推進(jìn)SecGPT在CTF解題任務(wù)中的自動(dòng)化能力，目標(biāo)是實(shí)現(xiàn)“理解題意 → 推理思路 → 構(gòu)造Payload → 完成解題”的閉環(huán)流程。

目前模型已在大量真實(shí)題目中完成微調(diào)，具備初步能力：理解題意與還原考點(diǎn)，自動(dòng)構(gòu)造注入、命令執(zhí)行、ROP等攻擊鏈，解釋與變換攻擊命令含義，同類題型的遷移泛化表現(xiàn)良好。

下一步，我們將聚焦標(biāo)準(zhǔn)化數(shù)據(jù)構(gòu)建、解題評(píng)分指標(biāo)、自動(dòng)解題Agent原型開發(fā)，以及聯(lián)合社區(qū)開展實(shí)戰(zhàn)挑戰(zhàn)驗(yàn)證。CTF場景將成為安全大模型邁向Agent化的典型突破口。

4. 安全訓(xùn)練數(shù)據(jù)集逐步開放，共建數(shù)據(jù)基座

我們正在建設(shè)并逐步開放一批具備混合結(jié)構(gòu)、場景標(biāo)簽的高質(zhì)量安全數(shù)據(jù)集，覆蓋知識(shí)問答、代碼審計(jì)、漏洞挖掘、威脅情報(bào)解析、流量分析等關(guān)鍵任務(wù)場景。 未來將支持多語言、多模態(tài)、多任務(wù)協(xié)同訓(xùn)練，進(jìn)一步增強(qiáng)安全大模型的泛化能力和實(shí)戰(zhàn)適應(yīng)性。我們誠邀社區(qū)、企業(yè)、高校共同參與數(shù)據(jù)共建，共同筑牢安全模型的數(shù)據(jù)底座。

05最后，邀請(qǐng)你一起參與SecGPT的共建

SecGPT的成長離不開安全社區(qū)的反饋與參與。我們歡迎：

安全研究員提供數(shù)據(jù)、使用場景與測試建議

企業(yè)用戶參與內(nèi)測，共同打造實(shí)用、可靠、安全的行業(yè)模型

歡迎關(guān)注我們，即將開放下一輪模型內(nèi)測與插件測試通道！

你最希望SecGPT能替你解決哪些安全難題？歡迎留言討論????