CSM-1-Preview
ИИ-ассистент для задач кибербезопасности
2 min readupdated
Экспериментальная модель от OpenModel-Labs, заточенная под помощь специалистам по защите информации, инженерам и студентам. Она основана на базе Qwen3.5-27B (27.36 млрд параметров) с помощью LoRA-адаптера (метода дообучения через компактные матрицы весов), который уже вшит в основные веса формата bf16. В отличие от универсальных моделей, CSM-1-Preview сфокусирована на оборонительной стороне: помогает разбирать уязвимости, писать правила детекта и проводить статический анализ подозрительных файлов, но при этом отклоняет запросы на создание готовых эксплойтов и вредоносного ПО.
Ключевые особенности
- Помогает разбирать атаки, уязвимости и поведение вредоносов с точки зрения защиты.
- Пишет и проверяет правила детектирования (Sigma, YARA и поисковые запросы), а также плейбуки реагирования на инциденты.
- Поддерживает режим рассуждений (
enable_thinking=True) и вызов внешних инструментов (tool calling) через шаблон чата. - Настроена на отказ в генерации вредоносного кода с предложением безопасной альтернативы, а также обезвреживает индикаторы компрометации (defang IOCs).
Что можно сделать
- Встроить в локального ассистента для SOC-аналитиков, чтобы быстрее писать и ревьюить Sigma- и YARA-правила.
- Использовать в изолированной песочнице для первичного статического анализа подозрительных скриптов и расширений браузера или IDE.
- Применять при подготовке к CTF и изучении принципов безопасной разработки (secure-by-design).
Пример
from transformers import AutoTokenizer, AutoModelForImageTextToText
import torch
repo = "OpenModel-Labs/CSM-1-Preview"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForImageTextToText.from_pretrained(repo, dtype=torch.bfloat16, device_map="auto")
messages = [{"role": "user", "content": "How do I detect Kerberoasting in Windows event logs?"}]
prompt = tok.apply_chat_template(messages, add_generation_prompt=True, tokenize=False, enable_thinking=False)
Подробнее
Требования: около 55 ГБ VRAM в bf16, свежая версияtransformers и библиотека flash-linear-attention.Оптимальные настройки генерации:
temperature=0.7 для диалога и 0.2–0.4 для аналитических задач (top_p=0.9, top_k=20).Ограничения: формальных бенчмарков пока нет, модель может выдумывать номера CVE и поля API — любые команды и правила нужно проверять вручную.
Безопасность: при подключении инструментов анализа файлов авторы рекомендуют запускать их только в песочнице без доступа к сети.










Comments