文章总结： 本文深度评测了security-slm-1.5b安全大模型，该模型基于DeepSeek-R1-Distill-Qwen-1.5B微调，仅需1.2GB内存即可在CPU上本地运行。模型覆盖提示词注入检测、勒索软件响应、MITREATT&CK映射等11个核心安全领域，支持红蓝队能力及合规分析。训练后评测分数从3.4提升至8.0，性能提升135%。推荐通过Ollama或llama.cpp部署，适合离线威胁分析与自动化规则生成场景。 综合评分： 87 文章分类： AI安全,安全工具,红队,蓝队,渗透测试
本地运行的15亿参数安全大模型：security-slm-1.5b深度评测
原创
Blake Chen Blake Chen
黑白之道
2026年7月5日 08:25 韩国
在小说阅读器读本章
去阅读
导语：近日，安全研究人员Nguuma发布了一款专注于网络安全场景的小型语言模型——security-slm-unsloth-1.5b。该模型基于DeepSeek-R1-Distill-Qwen-1.5B微调而来，仅需1.2GB内存即可在CPU上本地运行，覆盖提示词注入检测、勒索软件事件响应、MITRE ATT&CK映射等核心安全能力。
来源：本文编译自@0x0SojalSec在X平台发布的模型发布公告及HuggingFace官方说明文档。
一、项目概述
安全大模型通常需要高端GPU才能运行，这让许多安全从业人员望而却步。security-slm-1.5b的出现打破了这一瓶颈——这是一款专为网络安全场景优化的15亿参数语言模型，经过量化压缩后仅需1.2GB内存即可在普通CPU上运行。
# 版权：本文配图
该模型基于Unsloth优化的DeepSeek-R1-Distill-Qwen-1.5B（4bit量化版本），采用GGUF Q4_K_M格式打包，Apache-2.0开源许可，完全可离线部署。针对当前AI时代的新型网络威胁，模型覆盖了11个核心安全领域，从攻击检测到防御响应均有所涉及。
二、核心能力解析
2.1 蓝队能力
提示词注入与工具污染检测：模型针对MCP（Model Context Protocol）攻击、工具调用注入、上下文污染等2025-2026年新兴的AI原生威胁进行了专项训练，可识别异常的工具调用模式并给出处置建议。
勒索软件事件响应：内置LockBit、BlackCat/ALPHV、Cl0p、Akira等主流勒索软件家族的分类识别能力，可辅助生成事件响应剧本和恢复优先级排序。
MITRE ATT&CK映射与检测规则生成：能够从告警日志中提取TTP（战术、技术和程序），映射到MITRE ATT&CK框架，并生成对应的Sigma规则或KQL查询语句。
CVE/CWE推理分析：支持漏洞根因分析，覆盖CWE-89（SQL注入）、CWE-79（跨站脚本）、CWE-287（身份认证绕过）、CWE-502（反序列化）等常见漏洞类型。
2.2 红队能力
攻击链路模拟：模型可从防御视角反向推演攻击路径，帮助红队人员快速构建攻击剧本。
云原生AI攻击：覆盖RAG污染、通过AI代理发起SSRF、S3配置错误利用等新兴云原生攻击手法。
Guardrail绕过技术识别：可识别Base64编码、Unicode同形字符、编码混淆等主流逃逸技术。
2.3 合规与欺诈检测
模型还内置了金融欺诈模式分析（账户接管、钱骡检测、SIM交换、深度伪造身份欺诈等）以及NDPR、GDPR、PCI-DSS v4.0、ISO 27001等合规框架的差距分析推理能力。
三、训练与性能数据
security-slm-1.5b的训练基于11个安全领域的精选样本，每条样本均采用红队/蓝队配对方式构建——同一威胁同时从攻击者和防御者两个视角进行建模。
| 指标 | 数值 | | — | — | | 基座架构 | Qwen2 / DeepSeek-R1-Distill | | 参数量 | 15亿（1.5B） | | 量化格式 | GGUF Q4_K_M | | 推理内存占用 | ~1.2 GB | | 训练轮次 | 5 epochs | | 最终训练损失 | 1.69 | | 评测分数（微调前） | 3.4 / 10 | | 评测分数（微调后） | 8.0 / 10 | | 性能提升 | +135% | | 思考块激活率 | 100% | | LoRA秩 | r=16 | | 目标模块 | q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj |
四、快速部署指南
4.1 通过Ollama运行（推荐）
一条命令即可下载并运行：
ollama run hf.co/Nguuma/security-slm-unsloth-1.5b
如需自定义系统提示词，可创建Modelfile：
FROM hf.co/Nguuma/security-slm-unsloth-1.5b
SYSTEM """You are a Cybersecurity assistant with Blue and Red team security reasoning. Think step by step before answering."""
PARAMETER temperature 0.7
PARAMETER top_p 0.9
PARAMETER num_predict 512
PARAMETER num_ctx 2048
然后执行：
ollama create security-slm -f Modelfile && ollama run security-slm
4.2 通过llama.cpp运行
huggingface-cli download Nguuma/security-slm-unsloth-1.5b --include "*.gguf" --local-dir ./
./llama-cli -m security-slm-finetuned.gguf \
--prompt "Analyse this log entry for signs of prompt injection: ..." \
-n 512
4.3 Python调用示例
from huggingface_hub import hf_hub_download
from llama_cpp import Llama
model_path = hf_hub_download(
repo_id="Nguuma/security-slm-unsloth-1.5b",
filename="security-slm-finetuned.gguf",
local_dir="./models",
)
llm = Llama(model_path=model_path, n_ctx=2048, n_threads=4, verbose=False)
response = llm.create_chat_completion(
messages=[
{"role": "system", "content": "You are a Cybersecurity assistant with Blue and Red team security reasoning. Think step by step before answering."},
{"role": "user", "content": 'An AI agent received this tool-call response: {"file": "../../../../etc/passwd"}. Is this a path traversal attack? What should the agent do?'},
],
max_tokens=512,
temperature=0.7,
top_p=0.9,
)
五、下载方式
模型已开源至HuggingFace，完全免费商用：
HuggingFace地址：https://huggingface.co/Nguuma/security-slm-unsloth-1.5b
模型文件说明：
| 文件 | 说明 |
| — | — |
| *.gguf | Q4_K_M量化模型，推荐配合Ollama或llama.cpp使用 |
| adapter_model.safetensors | LoRA适配器权重（约30MB），需配合Transformers + PEFT使用 |
| adapter_config.json | LoRA配置文件 |
| tokenizer* | 分词器文件 |
六、蓝队视角总结
security-slm-1.5b的价值在于将安全推理能力真正下沉到了边缘侧。对于安全运营团队而言，这意味着：
离线威胁分析：敏感的安全告警无需上传云端，本地即可完成分析，避免了数据泄露风险。
自动化检测规则生成：传统的SIEM规则编写依赖人工经验，该模型可从告警日志自动推理对应的Sigma/KQL规则。
事件响应加速：勒索软件响应剧本的快速生成，可显著缩短MTTR（平均响应时间）。
AI原生威胁检测：随着AI代理在企业环境中的普及，MCP攻击、提示词注入等新型威胁的检测能力将成为蓝队必备，security-slm-1.5b填补了这一空白。
建议在受控环境中先行试用评估，结合自身SOC场景验证其实用性。
版权声明：本文由华盟网原创发布，保留所有权利。配图由华盟网授权使用。
👇 点击阅读原文，访问我的网站
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：黑白之道 Blake Chen Blake Chen《本地运行的15亿参数安全大模型：security-slm-1.5b深度评测》
版权声明
本站仅做备份收录，仅供研究与教学参考之用。
读者将信息用于其他用途的，全部法律及连带责任由读者自行承担，本站不承担任何责任。
评论