دوز مباشرة للمحتوى الرئيسي
دروس فالذكاء الاصطناعي

كيفاش تختار وتنشر نموذج لغوي كبير بلا قيود للبحث الأمني المصرّح به

هاد الدليل كيشرح كيفاش تتصفّح مجموعة النماذج اللغوية الكبيرة بلا قيود للأمن الهجومي، وتختار نموذج حسب التخصص ومتطلبات العتاد، وتنشر نماذج GGUF محلياً أو تستعمل الاستدلال المستضاف، وتبني سير عمل آمن لاختبارات الاختراق المصرّح بها، والتحليل الدفاعي، وOSINT، وإعداد تقارير الأمن.

حوالي 30 دقايق ديال القراية
كيفاش تختار وتنشر نموذج لغوي كبير بلا قيود للبحث الأمني المصرّح به

نظرة عامة

النماذج اللغوية الكبيرة غير الخاضعة للرقابة للأمن الهجومي هي دليل مُنتقى لنماذج ذات أوزان مفتوحة مخصّصة لعمليات الفريق الأحمر المصرّح بها، واختبارات الاختراق، والتحليل الدفاعي، وأبحاث الأمن. يقارن الدليل بين النماذج المضبوطة للأمن، والنماذج العامة المُزالة القيود، والنماذج القديمة، ومزوّدي الخدمات السحابية، وأدوات الاستدلال المحلي.

المستودع مرجع، وماشي حزمة برمجية قابلة للتثبيت. الهدف الرئيسي ديالو هو يعاونك تلقى النموذج المناسب، وتتبع بطاقة النموذج ديالو فـ Hugging Face، وتختار حزمة نشر متوافقة.

استعمل هاد النماذج غير فالأنظمة والبيانات اللي كتمتلكها أو عندك إذن صريح باش تختبرها. النموذج غير الخاضع للرقابة يقدر يعطي اقتراحات غير دقيقة أو غير آمنة أو خارج النطاق، وبالتالي كل مخرجات خاصها مراجعة بشرية.

المواصفات المدرجة مأخوذة من بطاقات النماذج فـ Hugging Face ومن المنشورات الرسمية، والمجموعة مؤرخة بشهر شتنبر 2026. لذلك خاص تقديرات العتاد وادعاءات الاختبارات المعيارية تتعتبر بيانات ديال بطاقة النموذج، وماشي نتائج تكررات بشكل مستقل.

شنو كيغطي هاد التجميع

النماذج المضبوطة للأمن

هاد النماذج تدرّبات أو تكيّفات باستعمال مواد فالأمن السيبراني. التخصصات ديالها كتشمل منهجية اختبار الاختراق، وتحليل الثغرات، والاستجابة للحوادث، وعمليات الأمن، واستخبارات التهديدات، وOSINT، وإعداد التقارير، وسير العمل المعتمد على الأدوات.

  • DeepHat V2: عائلة مبنية على Qwen2.5-Coder وتدرّبات على 1.7 مليون عينة أمنية هجومية ودفاعية. كتدعم استدعاء الأدوات وكتوفر سياق بطول 131K.
  • BugTraceAI-CORE-Ultra: نموذج 27B موجّه للأدوات، لمهام بحال إنشاء قوالب Nuclei، ومواد إثبات المفهوم، وسكريبتات اختبار الاختراق. السياق الموصى به هو 4K، والنسخة Q6_K كتحتاج تقريباً 22–24 GB من VRAM.
  • CyberPal 2.0: نموذج دفاعي 20B مركز على CTI، وتحليل الثغرات، والكشف، والتخفيف، وSOC والاستجابة للحوادث، وأمن التطبيقات، والامتثال.
  • Cyber-Prime 1.1: نموذج مدمج 2.6B فيه أوضاع التصنيف المباشر والتفكير. متوسط CyberBench المدرج ديالو هو 0.592 F1/accuracy.
  • Cyber-Ornith-1.5-9B: نموذج GGUF مركز على الأمن السيبراني الوكيلي، واستدعاء الدوال، واستعمال الأدوات، والاستدلال، وأتمتة الطرفية.
  • Imperum-CybersecurityLLM: نموذج مزيج من الخبراء تدرّب على أكثر من عشرة مجالات أمنية، بما فيها عمليات SOC، وDFIR، وتحليل البرمجيات الخبيثة، وأمن السحابة، وأمن OT، وGRC، واختبار الاختراق المصرّح به.
  • RavenX-CyberAgent: نموذج قادر على استعمال الأدوات، وكيستعمل بنية التقارير RATH وكيخرج مصنوعات بحال درجات CVSS، ومعرّفات CWE، وعمليات ربط MITRE ATT&CK.
  • REDCELL-26B-A4B: نموذج موجّه لـ OSINT، لإسناد التهديدات للجهات الفاعلة، وتتبع المؤشرات، وتحليل الموقع الجغرافي، وتقييم مصداقية المصادر، ووضع الثغرات فالسياق ديالها.

النماذج العامة المُزالة القيود

النماذج العامة المُزالة القيود دازت من تدخل على مستوى الأوزان الهدف ديالو هو تقليل سلوك الرفض. بعض النماذج كتحافظ حتى على الرؤية، واستدعاء الدوال، أو دعم السياق الطويل. ماشي بالضرورة تكون تدرّبات بعمق على بيانات الأمن السيبراني، لذلك ما خاصش نخلطو بين انخفاض الرفض والخبرة فالمجال.

من الأمثلة كاينين Qwen3.8-27B-Uncensored-OrcaRouter، وGLM-5.3-Flash-Uncensored-FP8، وhuihui-ai/Qwen3.5-27B-abliterated، وQwen2.5-Coder-32B-Instruct-abliterated، وHIDra-30B-A3B. الإدخال ديال DeepSeek-V4.1-Flash غير عادي حيث هو طبقة إضافية معيارية خاصها تتطبق على حزمة أساس متوافقة موجودة من قبل، وماشي نقطة تحقق مستقلة.

النماذج القديمة

Dolphin-Llama3-8B وWizard-Vicuna-13B-Uncensored ما زالين مفيدين للنشرات القديمة أو المحدودة الموارد. ولكن نوافذ السياق ديالهم أقصر وما عندهمش رؤية أصلية ولا استدعاء للأدوات.

مقارنة معيارية بين نماذج الأمن الهجومي

معايير الاختيار الرئيسية

1. طابق النموذج مع المهمة

  • المساعدة الأمنية العامة: DeepHat V2 كيغطي مجموعة واسعة من البيانات الهجومية والدفاعية.
  • العمليات الدفاعية: CyberPal 2.0 مركز على SOC، والاستجابة للحوادث، والكشف، والتخفيف، والامتثال.
  • سير العمل الوكيلي: Cyber-Ornith وImperum وRavenX وDeepHat V2 والعديد من النماذج المشتقة من Qwen كيعلنو على دعم استدعاء الأدوات.
  • OSINT: REDCELL-26B-A4B متخصص فالإسناد، وتقييم المصادر، وتتبع المؤشرات، وتحليل الموقع الجغرافي.
  • التصنيف المدمج: Cyber-Prime 1.1 كيوفر أوضاع مباشرة وأوضاع التفكير، بينما security-slm-unsloth-1.5b هو أصغر نموذج أمني مدرج.
  • الوثائق الطويلة: Qwythos-9B كيسجل نافذة سياق بحجم 1M، بينما عدة نماذج مبنية على Qwen ونماذج MoE كتوفر سياقات من 128K حتى 262K.
  • الإدخال البصري: Qwythos-9B وQwen3.8-27B-Uncensored-OrcaRouter وGLM-5.3-Flash-Uncensored وDeepSeek-V4.1-Flash وQwen3.8-Cyber-agentic مدرجين بدعم الرؤية.

2. راجع متطلبات الذاكرة

الكمّية كتأثر بزاف على تكلفة النشر. المستودع كيسجل متطلبات Q4_K_M التقريبية فين ما كانت متوفرة:

  • حوالي 2 GB: security-slm-unsloth-1.5b.
  • حوالي 6 GB: الخيارات ديال 7B–8B بحال DeepHat V2 وDolphin3-Cyber-8B وLily-Cybersecurity-7B وpentest-v2 وVEXT Pentest-7B وDolphin-Llama3-8B.
  • حوالي 7 GB: Cyber-Ornith-1.5-9B وQwythos-9B.
  • حوالي 12–16 GB: REDCELL APEX-Mini مذكور فحدود 12 GB، بينما BugTraceAI-CORE-Apex مذكور فحدود 16 GB.
  • حوالي 18–24 GB: النماذج الكمية ديال 27B–36B كاتدخل غالباً فهاد المجال، ومن بينها Qwen3.8-27B وImperum وBugTraceAI-CORE-Ultra وRavenX.
  • داتا سنتر ولا كثر من GPU: CYBER-FROST وGLM-5.3-Flash وGLM-5.3-CYBERSECURITY كيحتاجو إعدادات أكبر بزاف.

هاد الأرقام غير تقديرات للـquantization ولا نوع tensor المذكور. الزيادة ديال التشغيل، وطول السياق، وKV cache، ومعمارية GPU، وتحميل جزء من الخدمة على CPU يقدرو يبدلو الاحتياج الفعلي.

3. تأكد من متطلبات السياق

النافذة الكبيرة المعلنة للسياق ماشي بالضرورة هي أحسن نقطة للتشغيل. السياقات الأطول كيزيدو استعمال الذاكرة وقد ينقصو سرعة المعالجة. بعض الإدخالات كاتفرق حتى بين الحدود الأساسية وحدود النماذج المضبوطة بدقة. مثلاً، Dolphin3-Cyber كايذكر سياقاً مضبوطاً بدقة من 2,048 token وسياقاً أساسياً من 131K، بينما Imperum كاينصح بـ8,192 token فالأنظمة اللي الموارد ديالها محدودة، رغم أنه كايذكر سياقاً من 16,384 token.

4. تأكد من الأدوات والرؤية والصيغة والرخصة

شوف واش النموذج كايدعم استدعاء الأدوات قبل ما تبني agent عليه. وتأكد حتى واش الملف اللي اخترتي هو GGUF ولا BF16 ولا FP8 ولا overlay. وفالأخير، راجع الرخصة: أغلب الإدخالات كاتستعمل Apache 2.0، ولكن المجموعة فيها حتى رخص MIT وLlama community وLFM Open وQwen Community ورخص أخرى.

التثبيت والإعداد

الخيار A: شغّل نموذج GGUF محلياً

GGUF هو الصيغة الأسهل للاستعمال فهاد المجموعة. كايدعموه أدوات بحال Ollama وllama.cpp وLM Studio.

  1. اختار نموذج GGUF اللي كتناسَب quantization ديالو مع RAM ولا VRAM المتوفرة عندك.
  2. حلّ مستودع Hugging Face المرتابط وقرا بطاقة النموذج ديالو.
  3. حمّل الملف المناسب، بحال إصدار Q4_K_M إلى بغيتي استعمال أقل للذاكرة، ولا quantization بجودة أعلى إلى كانت عندك ذاكرة أكثر.
  4. ثبّت بيئة التشغيل المحلية اللي كتفضّل.
  5. حمّل النموذج وطبّق prompt ولا chat template اللي محدد فبطاقة النموذج.
  6. بدا بإعداد متوسط للسياق، وما تخصّصش الحد الأقصى المعلن من الأول.

فـLM Studio، دخل ملف GGUF اللي حمّلتيه ولا قلّب عليه من خلال الواجهة الرسومية، اختارو، وضبط السياق وGPU offload، ومن بعد شغّل محادثة محلية ولا خادم API.

فـOllama، تعريف بسيط للنموذج يقدر يشير لملف GGUF محلي. بدّل المسار وحجم السياق بالقيم المناسبة للنموذج ديالك:

FROM /absolute/path/to/model.gguf
PARAMETER num_ctx 8192

حفظ هاد المحتوى فملف سميتو Modelfile، ومن بعد أنشئ النموذج المحلي وشغّلو:

ollama create security-research-model -f Modelfile
ollama run security-research-model

هادشي غير نمط عام للاستيراد. إلا كانت بطاقة نموذج Hugging Face كاتطلب template ولا stop sequence ولا إعداد tokenizer ولا تعليمات خاصة ببيئة التشغيل، تبع داك التوجيه عوض هاد النمط العام.

الخيار B: استعمل llama.cpp

llama.cpp مناسب إلى كنت محتاج inference غير بالـCPU، ولا تحميل مختلط بين CPU وGPU، ولا تحكم دقيق فالتنفيذ المحلي. بنِ ولا ثبّت llama.cpp حسب التوثيق الرسمي ديالو، وحمّل ملف GGUF متوافق، وشغّلو بالمعاملات اللي موصى بها من ناشر النموذج.

نمط عام للتشغيل هو:

llama-cli -m /path/to/model.gguf -c 8192 -p "Summarize the authorized security assessment findings."

أسماء الملفات التنفيذية والخيارات المتاحة يقدرو يختلفو بين الإصدارات، لذلك تأكد منهم بالرجوع لإصدار llama.cpp المثبّت عندك.

الخيار C: استعمل inference ديال GPU عالي السرعة

vLLM كايوفر inference عالي السرعة باستعمال PagedAttention، بينما SGLang كايركز على الإخراج المنظم، وسير العمل ديال agents، والمعالجة الفعالة للمحادثات المتعددة. هاد الحزم مناسبة أكثر لـGPU ديال الداتا سنتر وللمعمارية ديال النماذج المدعومة.

قبل النشر، تأكد باللي المحرك كايدعم معمارية checkpoint والدقة المستعملة. هادشي مهم بزاف خصوصاً مع MoE وFP8 والسياق الكبير بزاف والمعماريات اللي دخلات حديثاً.

الخيار D: استعمل API مُدار

المجموعة كاتذكر OrcaRouter وFeatherless AI وTogether AI كخيارات inference مُدارة بواجهات API متوافقة مع OpenAI. توفر النماذج كيختلف، لذلك تأكد باللي الـcheckpoint المحدد اللي محتاجو مستضاف.

طلب عام متوافق مع OpenAI كايتبع البنية التالية:

curl https://YOUR_PROVIDER_ENDPOINT/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "YOUR_MODEL_ID",
    "messages": [
      {"role": "system", "content": "Assist only with authorized security analysis."},
      {"role": "user", "content": "Review these sanitized findings and produce a remediation checklist."}
    ]
  }'

استعمل الـendpoint الفعلي ديال المزوّد، ومعرّف النموذج، وطريقة المصادقة، وشروط التسعير، وضوابط الاحتفاظ بالبيانات.

الخيار E: كري بنية تحتية ديال GPU

RunPod وVast.ai وLambda مذكورين للنشر السحابي المستضاف ذاتياً. RunPod كيوفّر وحدات مبنية على Docker وقوالب، وVast.ai كيوفّر سوق ديال وحدات معالجة الرسومات، وLambda موجّه للبنية التحتية الإنتاجية عند الطلب. اختار GPU على حساب أوزان النموذج، ومتطلبات KV-cache، والدقة، وعدد الطلبات المتزامنة المتوقع.

أمثلة أساسية على الاستعمال

حلّل نتيجة أمنية منقّحة

التعليمات المنظّمة كتنقص الغموض وكتسهّل التحقق من النتيجة:

الدور: مراجع دفاعي لأمن التطبيقات.
التفويض: هاد النتيجة جاية من بيئة اختبار مصادق عليها.
المدخل: [دخل نتيجة منقّحة، والمكوّن المتأثر، والسلوك الملاحظ.]
المهمة:
1. لخّص المشكل.
2. اربطو بـ CWE محتمل إلا كانت الأدلة كتدعمو.
3. شرح التأثير بلا ما تبالغ فاليقين.
4. اقترح خطوات المعالجة والتحقق.
5. سرد الافتراضات والأدلة الناقصة.
ما تخترعش نتائج الفحص، أو المضيفين المتأثرين، أو استغلال ناجح.

راجع أدلة الاستجابة للحوادث

نتا كتعاون فريق مصادق عليه للاستجابة للحوادث.
راجع الخط الزمني والمؤشرات المنقّحة التالية.
فرّق بين الحقائق المؤكدة والفرضيات.
رجّع:
- ملخص الخط الزمني
- تقنيات ATT&CK المحتملة
- الأدلة اللي كتدعم كل ربط
- أسئلة الاحتواء الفورية
- توصيات الكشف على المدى الطويل
البيانات: [دخل الأدلة المنقّحة]

صنّف عيّنة تصيّد

Cyber-Prime 1.1 كيسجّل التصيّد كواحد من المجالات القوية ديالو فـ CyberBench. يقدر يكون هاد المثال ديال تعليمات التصنيف الدفاعي:

صنّف عيّنة تدريبية مصادق عليها للتصيّد على أنها سليمة، مشبوهة، أو خبيثة.
حدّد المؤشرات القابلة للملاحظة اللي كتدعم التصنيف.
ما تتبعش الروابط وما تفترضش حقائق ما كايناش فالنص.
العينة: [دخل نموذج التدريب]

أنشئ تقرير موجّه للمعالجة

نماذج بحال RavenX يمكن توجيهها باش تنتج حقولاً منظّمة للتقارير:

باستعمال أدلة التقييم المقدّمة فقط، أنتج:
- عنوان النتيجة
- ملخص تقني
- التأثير على الأعمال
- ربط CWE
- متجه CVSS مع التبرير
- ربط MITRE ATT&CK ذي الصلة، إلا كان منطبقاً
- المعالجة
- إجراء إعادة الاختبار
علّم كل حقل غير مؤكد بأنه غير متحقق منه.
الأدلة: [دخل ملاحظات التقييم المصادق عليها]

نصائح متقدمة

استعمل مجموعة تقييم قابلة للتكرار

قبل ما تعتمد نموذج، اختبرو على معيار داخلي صغير مأخوذ من سير العمل المسموح به ديالك. ضمّن أسئلة المعرفة، وتفسير السجلات، وإنشاء التقارير، والتعامل مع الإيجابيات الكاذبة، والاستشهاد بالأدلة، ورفض اختراع الحقائق الناقصة. قارن الدقة وإنجاز المهمة، وما تقيسش غير الاستعداد للجواب.

فرّق بين الاستدلال والتنفيذ

دعم استدعاء الأدوات ما كيخليش الأتمتة غير المقيّدة آمنة. دير حدّ للموافقة بين اقتراحات النموذج والإجراءات الخارجية. تحقّق من المعاملات مقابل قائمة مسموحة، قيّد بيانات الاعتماد، عزل بيئة التنفيذ، سجّل كل استدعاء، وفرض موافقة بشرية على الإجراءات اللي كتبدّل الأنظمة أو كتدخل لبيانات حساسة.

قيّد نطاق التشغيل

عطِ فتعليمة النظام الأهداف المصرّح بها، والتقنيات المسموح بها، والمدة الزمنية، وقواعد التعامل مع البيانات، وشكل الإخراج المتوقع. إلا ما كانش هدف أو إجراء مذكور بشكل صريح، وجّه النموذج باش يوقف ويطلب التوضيح.

استعمل الاسترجاع للحقائق الحالية

معلومات الأمن كتتبدل بسرعة. دعّم النموذج بوثائق داخلية معتمدة، ونشرات البائعين الحالية، وسجلات الثغرات الموثوقة. طلب منو يفرّق بين الأدلة المسترجعة والمعرفة اللي تعلّمها مسبقاً، ويستشهد بالمصدر المزوّد لكل ادعاء مهم.

ضبط السياق والتكميم بوعي

  • بدا بأصغر سياق كافي باش يستوعب المهمة براحة.
  • استعمل إصدارات GGUF من فئة Q4 ملي كتكون الذاكرة هي القيد الرئيسي.
  • جرّب تكميمات أعلى ملي كيكون تحليل الشيفرة أو الأدلة الدقيقة مهم.
  • خد بعين الاعتبار أن عدد المعاملات النشطة فـ MoE ما كيساويش متطلبات التخزين؛ جميع أوزان النموذج خاصها تخزين مناسب وتدبير ملائم للذاكرة.
  • قس سرعة معالجة التعليمات بشكل منفصل على سرعة التوليد.

احترم متطلبات النشر الخاصة

ماشي كل تحميل هو نموذج GGUF مستقل. إصدار DeepSeek-V4.1-Flash abliterated ديال الأمن السيبراني هو طبقة إضافية لإصدارات أساسية موجودة ومتوافقة. الإدخالات الكبيرة بصيغة FP8 تقدر تحتاج إعدادات محددة متعددة الـGPU، بينما CYBER-FROST تجرّب على أربعة GPUs من نوع NVIDIA B300 SXM6، وGLM-5.3-CYBERSECURITY كيسجّل ثمانية GPUs من نوع H200 مع التوازي الموترّي.

تعامل بحذر مع سلسلة التفكير

Qwythos-9B مذكور بكتلة <think> مفعّلة دائماً. ما تعتبرش نص الاستدلال المخفي أو الظاهر دليلاً على الصحة. قيّم الجواب النهائي مقابل المادة المصدرية، وتجنّب تخزين آثار الاستدلال الحساسة ملي تقدر تحتوي على سياق سري.

المصطلحات

  • Abliteration: تدخل على مستوى الأوزان كيحيد اتجاه الرفض من مجرى البقايا بلا إعادة تدريب تقليدية.
  • Obliteration: صيغة مرتبطة بمقاربة abliteration.
  • SFT: ضبط دقيق بإشراف على بيانات مجال معنونة أو منتقاة.
  • QLoRA: تكييف منخفض الرتبة مكمَّم، وهي طريقة لضبط دقيق كتقتصد فالذاكرة.
  • DPO: تحسين التفضيلات المباشر.
  • MoE: مزيج الخبراء، فين غير مجموعة فرعية من الخبراء كتكون نشيطة لكل رمز، مع أن المجموعة الكاملة ديال الأوزان كتبقى جزءاً من النموذج.

الخلاصة

أحسن موديل كيتحدّد بأكثر من عدد البارامترات ديالو ولا الاستعداد ديالو يجاوب. بدا بحالة الاستعمال المسموح بها ديالك، ومن بعد قارن بين التخصّص، واحتياجات الذاكرة، وطول السياق، ودعم الأدوات، والصيغة، والرخصة. موديل GGUF صغير مهيّأ للأمان يقدر يكون عملي أكثر من checkpoint عام أكبر بزاف ومتحيّد منو القيود.

فالتجارب المحلية الأولى، اختيارات GGUF من 1.5B حتى لـ9B كتوفّر أقل عتبة من ناحية العتاد. الموديلات الأكبر ديال الوكلاء، والسياق الطويل، وMoE، وFP8، حسن تتخدم بمحطات عمل بذاكرة كبيرة، ولا باستدلال مُدار، ولا ببنية تحتية متعددة الـGPU. فكل عملية نشر، خاص يبقى كاين تدقيق بشري، والتحقق المبني على الأدلة، وتحديد صارم للنطاق، وضوابط التنفيذ.