メインコンテンツへ移動
AIチュートリアル

許可されたセキュリティ研究向けの無制限LLMの選び方と導入方法

このチュートリアルでは、厳選された「攻撃的セキュリティ向け無制限LLM」コレクションの活用方法、専門分野とハードウェア要件に基づくモデルの選定、GGUFモデルのローカル導入またはホスト型推論の利用方法、そして許可を得たペネトレーションテスト、防御分析、OSINT、セキュリティ報告のための安全なワークフロー構築について説明します。

約22分で読了
許可されたセキュリティ研究向けの無制限LLMの選び方と導入方法

概要

Uncensored LLMs for Offensive Securityは、許可を得たレッドチーム運用、ペネトレーションテスト、防御分析、セキュリティ研究を目的とした、オープンウェイトモデルの厳選ディレクトリです。セキュリティ向けファインチューニングモデル、一般的なアブリテレートモデル、レガシーモデル、クラウドプロバイダー、ローカル推論ツールを比較しています。

このリポジトリは、インストール可能なソフトウェアパッケージではなく、参考資料です。主な目的は、適切なモデルを見つけ、そのHugging Faceモデルカードを確認し、互換性のあるデプロイスタックを選択できるよう支援することです。

これらのモデルは、自分が所有するシステムやデータ、またはテストについて明示的な許可を得たシステムやデータに対してのみ使用してください。検閲除去モデルは、不正確、安全でない、または範囲外の提案を生成する可能性があるため、すべての出力を人間が確認する必要があります。

掲載されている仕様は、Hugging Faceのモデルカードおよび公式発表を情報源としており、コレクションの日付は2026年9月です。したがって、ハードウェア要件の推定値やベンチマークの主張は、独自に再現した結果ではなく、モデルカードに記載されたデータとして扱う必要があります。

コレクションの対象

セキュリティ向けファインチューニングモデル

これらのモデルは、サイバーセキュリティ関連の資料を用いて学習または適応されています。専門分野には、ペネトレーションテストの方法論、脆弱性分析、インシデント対応、セキュリティ運用、脅威インテリジェンス、OSINT、レポート作成、ツール指向のワークフローが含まれます。

  • DeepHat V2: 170万件の攻撃・防御セキュリティサンプルで学習した、Qwen2.5-Coderベースのファミリーです。ツール呼び出しに対応し、131Kのコンテキスト長を提供します。
  • BugTraceAI-CORE-Ultra: Nucleiテンプレート、概念実証資料、ペンテストスクリプトの生成などを行う、ツール指向の27Bモデルです。推奨コンテキストは4Kで、Q6_Kビルドには約22～24 GBのVRAMが必要です。
  • CyberPal 2.0: CTI、脆弱性分析、検知、緩和、SOCとインシデント対応、AppSec、コンプライアンスに重点を置く、防御向け20Bモデルです。
  • Cyber-Prime 1.1: 直接分類モードと思考モードを備えた、コンパクトな2.6Bモデルです。記載されているCyberBench平均値は0.592 F1/accuracyです。
  • Cyber-Ornith-1.5-9B: エージェント型サイバーセキュリティ、関数呼び出し、ツール利用、推論、ターミナル自動化に重点を置くGGUFモデルです。
  • Imperum-CybersecurityLLM: SOC運用、DFIR、マルウェア分析、クラウドセキュリティ、OTセキュリティ、GRC、許可を得たペンテストなど、10を超えるセキュリティ分野で学習したMixture-of-Expertsモデルです。
  • RavenX-CyberAgent: RATHレポート構造を使用し、CVSSスコア、CWE識別子、MITRE ATT&CKマッピングなどの成果物を生成する、ツール対応モデルです。
  • REDCELL-26B-A4B: 脅威アクターの帰属、インジケーターのピボット、地理位置分析、情報源の信頼性、脆弱性の文脈化を行うOSINT向けモデルです。

一般的なアブリテレートモデル

一般的なアブリテレートモデルは、拒否動作を抑えることを目的とした、重みレベルの介入を受けています。視覚、関数呼び出し、長文脈に対応しているモデルもあります。必ずしもサイバーセキュリティデータで深く学習されているわけではないため、拒否の減少をドメイン知識と混同しないでください。

例として、Qwen3.8-27B-Uncensored-OrcaRouter、GLM-5.3-Flash-Uncensored-FP8、huihui-ai/Qwen3.5-27B-abliterated、Qwen2.5-Coder-32B-Instruct-abliterated、HIDra-30B-A3Bがあります。DeepSeek-V4.1-Flashのエントリは、単独のチェックポイントとして使用するのではなく、互換性のある既存のベースパックに適用する必要があるモジュール式オーバーレイであるため、特殊な位置付けです。

レガシーモデル

Dolphin-Llama3-8BとWizard-Vicuna-13B-Uncensoredは、古い環境や制約のあるデプロイで引き続き有用です。ただし、コンテキストウィンドウは短く、ネイティブの視覚機能やツール呼び出しには対応していません。

攻撃的セキュリティモデルのベンチマーク比較

主な選定基準

1. タスクに合ったモデルを選ぶ

  • 一般的なセキュリティ支援: DeepHat V2は、攻撃・防御を幅広く扱うコーパスをカバーします。
  • 防御運用: CyberPal 2.0は、SOC、インシデント対応、検知、緩和、コンプライアンスに重点を置いています。
  • エージェント型ワークフロー: Cyber-Ornith、Imperum、RavenX、DeepHat V2、および複数のQwen派生モデルは、ツール呼び出しに対応すると説明されています。
  • OSINT: REDCELL-26B-A4Bは、帰属、情報源の評価、インジケーターのピボット、地理位置分析を専門としています。
  • コンパクトな分類: Cyber-Prime 1.1は直接モードと思考モードを提供し、security-slm-unsloth-1.5bは掲載モデルの中で最小のセキュリティモデルです。
  • 長文書: Qwythos-9Bは1Mのコンテキストウィンドウを掲載しており、複数のQwenベースモデルおよびMoEモデルは128K～262Kのコンテキストを提供します。
  • 視覚入力: Qwythos-9B、Qwen3.8-27B-Uncensored-OrcaRouter、GLM-5.3-Flash-Uncensored、DeepSeek-V4.1-Flash、Qwen3.8-Cyber-agenticは、視覚対応モデルとして掲載されています。

2. メモリ要件を確認する

量子化はデプロイコストに大きな影響を与えます。リポジトリには、入手可能な場合、Q4_K_Mのおおよその要件が記載されています。

  • 約2 GB：security-slm-unsloth-1.5b。
  • 約6 GB：DeepHat V2、Dolphin3-Cyber-8B、Lily-Cybersecurity-7B、pentest-v2、VEXT Pentest-7B、Dolphin-Llama3-8Bなどの7B～8Bモデル。
  • 約7 GB：Cyber-Ornith-1.5-9BおよびQwythos-9B。
  • 約12～16 GB：REDCELL APEX-Miniは約12 GB、BugTraceAI-CORE-Apexは約16 GBとして記載されています。
  • 約18～24 GB：27B～36Bの量子化モデルは通常この範囲に収まり、Qwen3.8-27B、Imperum、BugTraceAI-CORE-Ultra、RavenXなどが含まれます。
  • データセンターまたはマルチGPU：CYBER-FROST、GLM-5.3-Flash、GLM-5.3-CYBERSECURITYでは、さらに大規模な構成が必要です。

これらの数値は、記載された量子化方式またはテンソル型に基づく推定値です。実際に必要な容量は、ランタイムのオーバーヘッド、コンテキスト長、KVキャッシュ、GPUアーキテクチャ、CPUへの部分オフロードによって変わる場合があります。

3. コンテキスト要件を確認する

広告上の大きなコンテキストウィンドウが、必ずしも最適な運用ポイントとは限りません。コンテキストが長くなるほどメモリ使用量が増え、スループットが低下する可能性があります。エントリによっては、ベースモデルとファインチューニング済みモデルで上限が異なります。たとえばDolphin3-Cyberでは、ファインチューニング済みモデルのコンテキストが2,048トークン、ベースモデルが131Kと記載されています。一方、Imperumは16,384トークンのコンテキストを記載しつつ、リソースが限られたシステムでは8,192トークンを推奨しています。

4. ツール、ビジョン、形式、ライセンスを確認する

エージェントを構築する前に、モデルがツール呼び出しに対応しているか確認してください。また、選択したアーティファクトがGGUF、BF16、FP8、またはオーバーレイのいずれであるかも確認します。最後にライセンスを確認してください。多くのエントリはApache 2.0を使用していますが、このコレクションにはMIT、Llama community、LFM Open、Qwen Communityなど、その他のライセンスも含まれています。

インストールとセットアップ

オプションA：GGUFモデルをローカルで実行する

GGUFは、このコレクションに含まれる形式の中で最も利用しやすい形式です。Ollama、llama.cpp、LM Studioなどのツールでサポートされています。

  1. 利用可能なRAMまたはVRAMに収まる量子化のGGUFモデルを選択します。
  2. リンク先のHugging Faceリポジトリを開き、モデルカードを読みます。
  3. メモリ使用量を抑える場合はQ4_K_Mビルド、より多くのメモリを利用できる場合は高品質な量子化など、適切なファイルをダウンロードします。
  4. 任意のローカルランタイムをインストールします。
  5. モデルを読み込み、モデルカードで指定されているプロンプトまたはチャットテンプレートを適用します。
  6. 記載された最大値をすぐに割り当てるのではなく、まずは中程度のコンテキスト設定から始めます。

LM Studioでは、グラフィカルインターフェースからダウンロードしたGGUFファイルをインポートまたは検索し、選択します。その後、コンテキストとGPUオフロードを設定して、ローカルチャットまたはAPIサーバーを起動します。

Ollamaでは、ローカルのGGUFファイルを参照する最小限のモデル定義を作成できます。パスとコンテキストサイズは、モデルに適した値に置き換えてください。

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

この内容をModelfileとして保存し、ローカルモデルを作成して実行します。

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

これは汎用的なインポートパターンです。Hugging Faceのモデルカードに必須のテンプレート、停止シーケンス、トークナイザー設定、またはランタイム固有の指示がある場合は、そちらに従ってください。

オプションB：llama.cppを使用する

llama.cppは、CPUのみの推論、CPUとGPUを組み合わせたオフロード、またはローカル実行の詳細な制御が必要な場合に適しています。公式ドキュメントに従ってllama.cppをビルドまたはインストールし、互換性のあるGGUFファイルをダウンロードして、モデルの公開元が推奨するパラメーターで起動します。

一般的な実行例は次のとおりです。

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

実行ファイル名や利用可能なフラグはリリースによって異なる場合があるため、インストールしたllama.cppのバージョンで確認してください。

オプションC：高スループットのGPU推論を使用する

vLLMはPagedAttentionによる高スループット推論を提供し、SGLangは構造化出力、エージェントワークフロー、効率的なマルチターン処理を重視しています。これらのスタックは、データセンターGPUと対応するモデルアーキテクチャに最適です。

デプロイする前に、エンジンがチェックポイントのアーキテクチャと精度に対応していることを確認してください。MoE、FP8、非常に長いコンテキスト、新しく導入されたアーキテクチャでは、特に重要です。

オプションD：マネージドAPIを使用する

このコレクションでは、OrcaRouter、Featherless AI、Together AIが、OpenAI互換APIを備えたマネージド推論の選択肢として掲載されています。利用可能なモデルは変動するため、必要なチェックポイントそのものがホストされているか確認してください。

一般的なOpenAI互換リクエストの構造は次のとおりです。

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."}
    ]
  }'

プロバイダーの実際のエンドポイント、モデル識別子、認証方式、料金条件、データ保持に関する制御を使用してください。

オプションE：GPUインフラを借りる

RunPod、Vast.ai、Lambdaは、セルフホスト型クラウドデプロイメント向けとして掲載されています。RunPodはDockerベースのPodとテンプレートを提供し、Vast.aiはGPUマーケットプレイスを提供します。Lambdaはオンデマンドの本番インフラを対象としています。モデルの重み、KVキャッシュ要件、精度、想定同時実行数に基づいてGPUを選択してください。

基本的な使用例

サニタイズ済みのセキュリティ所見を分析する

構造化されたプロンプトにより曖昧さが減り、結果を検証しやすくなります。

役割：防御的なアプリケーションセキュリティレビュアー。
認可：この所見は、承認済みのテスト環境から得られたものです。
入力：[サニタイズ済みの所見、影響を受けるコンポーネント、観測された挙動を挿入。]
タスク：
1. 問題を要約する。
2. 証拠によって裏付けられる場合、該当する可能性の高いCWEにマッピングする。
3. 確実性を過大評価せずに影響を説明する。
4. 修正および検証手順を推奨する。
5. 前提条件と不足している証拠を列挙する。
スキャン結果、影響を受けたホスト、または悪用の成功を捏造しないこと。

インシデント対応の証拠をレビューする

あなたは、認可されたインシデント対応チームを支援しています。
以下のサニタイズ済みのタイムラインと指標をレビューしてください。
確認済みの事実と仮説を分けてください。
以下を返してください：
- タイムラインの要約
- ATT&CKの可能性があるテクニック
- 各マッピングを裏付ける証拠
- 直ちに封じ込めるための確認事項
- 長期的な検知に関する推奨事項
データ：[サニタイズ済みの証拠を挿入]

フィッシング用フィクスチャを分類する

Cyber-Prime 1.1は、CyberBenchの分野の中でもフィッシングを得意な領域の一つとして報告しています。防御目的の分類プロンプトは次のようになります。

この認可済みのフィッシング訓練用フィクスチャを、無害、疑わしい、悪意のあるもののいずれかに分類してください。
分類を裏付ける観測可能な手がかりを特定してください。
リンクをたどったり、本文にない事実を前提にしたりしないでください。
フィクスチャ：[訓練用サンプルを挿入]

修正指向のレポートを作成する

RavenXなどのモデルには、構造化されたレポート項目を生成するよう指示できます。

提供された評価証拠のみを使用して、以下を作成してください：
- 所見タイトル
- 技術概要
- ビジネスへの影響
- CWEマッピング
- 根拠付きのCVSSベクトル
- 関連するMITRE ATT&CKマッピング（該当する場合）
- 修正
- 再テスト手順
不確実な項目にはすべて未検証と記載してください。
証拠：[認可済みの評価メモを挿入]

高度なヒント

再現可能な評価セットを使用する

モデルを導入する前に、認可されたワークフローから抽出した小規模な社内ベンチマークでテストしてください。知識に関する質問、ログの解釈、レポート生成、誤検知への対応、証拠の引用、不足している事実を捏造しないことを含めます。回答する意欲だけを測るのではなく、事実性とタスク完了度を比較してください。

推論と実行を分離する

ツール呼び出しのサポートがあっても、無制限の自動化が安全になるわけではありません。モデルの提案と外部アクションの間に承認境界を設けてください。引数を許可リストに照らして検証し、認証情報を制限し、実行環境を分離し、すべての呼び出しを記録し、システムを変更するアクションや機密データにアクセスするアクションには人間の承認を必須にしてください。

運用範囲を制限する

認可された対象、許可された手法、時間枠、データ取り扱い規則、想定する出力形式をシステムプロンプトに記載してください。対象やアクションが明示的に含まれていない場合は、停止して確認を求めるようモデルに指示してください。

最新情報には検索拡張を使用する

セキュリティ情報は急速に変化します。承認済みの社内ドキュメント、最新のベンダーアドバイザリ、信頼できる脆弱性記録を使ってモデルの出力を根拠付けてください。取得した証拠と事前学習済みの知識を区別し、重要な主張ごとに提供されたソースを引用するよう求めてください。

コンテキストと量子化を意図的に調整する

  • まず、タスクに無理なく収まる最小限のコンテキストから始めます。
  • メモリが主な制約である場合は、Q4クラスのGGUFビルドを使用します。
  • 微妙なコードや証拠の分析が重要な場合は、より高い量子化をテストします。
  • MoEのアクティブパラメータ数はストレージ要件と同じではありません。モデルの全重みには、適切なストレージとメモリ管理が依然として必要です。
  • プロンプト処理速度と生成速度を分けて測定します。

特別なデプロイ要件に対応する

すべてのダウンロードが単独で動作するGGUFモデルとは限りません。DeepSeek-V4.1-Flashのabliterated cybersecurityリリースは、互換性のある既存のベースパック用オーバーレイです。大規模なFP8エントリには特定のマルチGPU構成が必要になる場合があります。一方、CYBER-FROSTは4基のNVIDIA B300 SXM6 GPUでテストされており、GLM-5.3-CYBERSECURITYではテンソル並列処理を用いた8基のH200 GPUが記載されています。

思考連鎖を慎重に扱う

Qwythos-9Bには、常時有効な<think>ブロックがあると記載されています。非表示または表示された推論テキストを、正しさの証拠として扱わないでください。最終回答を原資料と照合して評価し、機密コンテキストが含まれる可能性がある場合は、機密性の高い推論トレースを保存しないでください。

用語集

  • Abliteration：通常の再トレーニングを行わず、残差ストリームから拒否方向を取り除く、重みレベルの介入。
  • Obliteration：Abliterationアプローチに関連する派生手法。
  • SFT：ラベル付き、またはキュレーション済みのドメインデータを用いた教師ありファインチューニング。
  • QLoRA：Quantized Low-Rank Adaptation。メモリ効率に優れたファインチューニング手法。
  • DPO：Direct Preference Optimization。
  • MoE：Mixture of Experts。トークンごとに一部のエキスパートのみがアクティブになりますが、全重みのセットはモデルの一部として残ります。

結論

最適なモデルは、パラメータ数や回答への積極性だけで決まるものではありません。まず承認された用途を確認し、専門性、メモリ要件、コンテキスト長、ツール対応、形式、ライセンスを比較しましょう。セキュリティ向けに調整された小規模なGGUFモデルのほうが、はるかに大規模な汎用アブレーション済みチェックポイントより実用的な場合があります。

ローカルでの初期テストには、1.5Bから9BのGGUFモデルが最も導入しやすく、必要なハードウェアのハードルも低くなります。より大規模なエージェント型、長コンテキスト、MoE、FP8モデルは、大容量メモリのワークステーション、マネージド推論、またはマルチGPUインフラでの利用が適しています。どのような環境でも、人によるレビュー、証拠に基づく検証、厳格なスコープ設定、実行制御を維持してください。