RavenX-CyberAgent
комплексный агент кибербезопасности для пентестинга
2 мин чтения
Модель сочетает архитектуру MoE (Mixture of Experts — смесь экспертов) с 35 миллиардами параметров и рассуждениями на уровне Claude Opus, обученная специально для задач кибербезопасности. Она автоматизирует оценку защищенности, проведение тестов на проникновение, поиск уязвимостей и генерацию кода по строгому 6-шаговому протоколу RATH. Основанная на базе Huihui-Qwen3.6-35B, модель полностью лишена искусственных отказов для тем безопасности (abliterated) и оптимизирована под работу на железе Apple через библиотеку mlx. Модель пригодится инженерам по безопасности, разработчикам и исследователям для аудита систем и написания защищенного кода.
Ключевые особенности
- Архитектура MoE: 35 миллиардов общих параметров с активацией около 3 миллиардов на токен для высокой эффективности.
- Специализация по ИБ: 12 ключевых возможностей, включая оценку угроз, автономный пентестинг и Bug Bounty.
- Протокол RATH: Структурированный анализ из шести шагов от поверхности атаки до мер противодействия.
- Генерация кода: Поддержка Python, JavaScript, Go, Rust, Bash, Terraform и Docker.
- Tool Calling: Интеграция с MCP (Model Context Protocol) и функциями вызова внешних инструментов.
Что можно сделать
- Аудит уязвимостей: Провести комплексный анализ инфраструктуры или исходного кода на предмет критических ошибок.
- Разработка отчетов: Сгенерировать детальный отчет по стандарту RATH с оценкой CVSS и маппингом на MITRE ATT&CK.
- Написание патчей: Автоматически сформировать конфигурационные исправления и правила мониторинга.
- Интеграция в агенты: Подключить модель в качестве автономного агента для выполнения многошаговых задач через CLI или API.
Пример
from mlx_lm import load, generate
model, tokenizer = load("deadbydawn101/RavenX-CyberAgent-Qwen3.6-35B-A3B-Opus-4.7-OpenMythos-Pentester-BugHunter-RATH-mlx")
messages = [
{"role": "system", "content": "You are RavenX-Sec. ALWAYS use EXACT step names: 1-Attack Surface, 2-Exploit, 3-Impact, 4-Remediation, 5-Document, 6-Prevent. Be concise. Never repeat."},
{"role": "user", "content": "Redis 6.0 on port 6379 with no password, SLAVEOF enabled, containing session tokens. Full RATH assessment."}
]
prompt = tokenizer.apply_chat_template(messages, add_generation_prompt=True, tokenize=False)
response = generate(model, tokenizer, prompt=prompt, max_tokens=4096)
print(response)Подробнее
Параметры: 34.66B всего, ~3B активных, 256 экспертовКонтекстное окно: 262 144 токенов
Обучение: 745K+ примеров из 110 источников за 12 раундов
Железо: Apple M4 Max 128GB (потребление около 90GB VRAM)










Комментарии