Cantina 发布开源安全模型 apex-flash-1：60 项漏洞任务解出 40 项
Cantina Security 与 Yeta Labs 发布面向漏洞研究的开放权重模型 apex-flash-1，基于 GLM-5.3-Flash 做强化学习微调，MIT 许可。据其内部基准，60 项留出任务解出 40 项，成本约 2.38 美元。
核心事实
Cantina Security 与 Yeta Labs 发布了 apex-flash-1，一个专门面向漏洞研究的开放权重模型。据其 Hugging Face 模型卡，该模型是对 Z.ai 的 GLM-5.3-Flash 做强化学习微调而来，以 MIT 许可发布。模型总参数量为 321.3B，基座为混合专家（MoE）架构，激活参数 18B。训练采用 GRPO，配合 rank-256 LoRA 与选择性全参数训练，数据覆盖由 50 个真实漏洞案例构建的 150 项任务，每个案例有引导式白盒、聚焦式白盒与聚焦式黑盒三种变体。
背景与影响
据模型卡，Cantina 在 20 个留出漏洞案例的 60 项任务上做了评测：apex-flash-1 解出 40 项（pass@1 为 66.7%），单次运行成本约 2.38 美元；基座 GLM-5.3-Flash 解出 36 项（60.0%），约 4.56 美元；Claude Opus 5 High 解出 43 项（71.7%），约 74.68 美元。上述数字均为厂商在内部基准上的自报结果。Cantina 将该模型定位为由更大模型编排的「工作模型」，目标能力包括代码阅读、工具调用、漏洞利用开发与验证。部署方面，MIT 权重可在 vLLM、SGLang 或 Transformers 上服务，但 BF16 约需 640 GB 显存，需多 GPU 节点；社区另有量化版本。是否适合具体场景，请以官网与模型卡当前信息为准。
限制与来源
需要说明的是，66.7% 的 pass@1 与成本对比均出自厂商自报的内部基准，尚未获独立第三方验证；模型卡同时提到一个实验性的 apex-flash-1-abliterated 变体，修改了拒答行为，但未单独评测。本文信息来自 MarkTechPost 报道及 Cantina、Hugging Face 模型卡等公开来源，不构成任何采购或安全决策建议。