2026美亚杯的一些小思考(2)闭幕式有感(附千粉抽奖)

admin 2026-11-16 19:32:16 网络安全文章 来源:ZONE.CI 全球网 0 阅读模式

2026美亚杯的一些小思考(2)闭幕式有感(附千粉抽奖)

原创

ljnljn
ljnljn

ljnljn学习之路

2026年11月16日 03:11
福建

去阅读

本来不打算再写第二篇,但今天参加完会议后,确实有一些困惑和落差,还是决定把公开信息中可讨论的部分整理出来

下面我想围绕美亚杯个人赛第一名公开分享中的解题报告部分,做一点技术层面的复盘和讨论。本文不针对选手个人,也不否定主办方和 Qiko 的整体工作,只是就公开信息中一些配置、流程和结果之间的匹配度提出疑问,供大家理性讨论。若有信息不完整或理解偏差,也欢迎各位师傅补充指正

题目讲解

首先看到ppt,这一看就是ai-generated的,谁会闲得无聊左下角写这个右下角写页码,这个时候基本上我对内容就没什么恋想了,这少说几千个人看的直播竟然不自己手搓一个PPT,这是对自己十分自信还是不给主办方面子 接下来就是对题目的讲解,首先讲解的时候结结巴巴的,因为我本人参加了团队赛的答辩,如果真的自己做了一点的话应该对题目内容会很熟悉,就不会隔一会卡一会(包括后面的师傅们也是非常清晰的给出了思考过程)  这个让我想起了答辩的时候要是脑子里啥都没有就会出现的情况(我说的是在学校里 接下来就是最不能理解的部分了

大模型参与电子数据取证?

 如果是有准备美亚杯线下且了解过DGX Spark的师傅们应该都知道,目前来说主要的部署方案,单机就是qwen3.8-flash-next,我这里也是简单问了下ai,我贴出删去废话的记录和结果 问:qwen3.8flashnext和qwen3.6 35b a3b、qwen3.8 27b差了多少

答:这三款模型分属不同的技术路线,差异显著。Qwen3.8-Flash-Next 是能力顶尖但体积庞大的“巨无霸”,而 Qwen3.6-35B-A3B 和 Qwen3.8-27B 则是为高效、本地部署而生的“精悍选手”,其中后者更是以较小的参数量实现了越级的性能。

核心规格速览

特性 Qwen3.8-Flash-Next Qwen3.6-35B-A3B Qwen3.8-27B
模型架构 稀疏 MoE (混合专家) 稀疏 MoE (混合专家) 稠密模型
总参数量 125B 35B 27B
激活参数量 ~6B ~3B 27B (全部激活)
上下文窗口 原生 256K / 可扩展1M 原生 256K / 可扩展1M 原生 262K / 可扩展1M
多模态能力 文本、图像、视频 文本、图像 (视觉语言) 文本、图像、视频
定位 云端性能旗舰,兼顾本地 极致能效的智能体编程利器 小体积、高性能的本地部署之王
问:如果dgx spark上部署的话哪个最合适,我打取证比赛

如果是在 DGX Spark 上打取证比赛,最务实的选择是 Qwen3.8-27B。它是在单台 DGX Spark 上能稳定、高效部署,并且足以应对取证分析任务的“甜点”模型。 你提到的另外两款模型,情况比较特殊:Qwen3.8-Flash-Next 是性能天花板,但在单台 DGX Spark 上部署非常折腾;而 Qwen3.6-35B-A3B 则是特定场景(如搭配智能体)下的高效选择。

⚙️ 在 DGX Spark 上的部署现实 DGX Spark 的核心是 128GB 统一内存(实际可用约 121GB),这个容量是决定模型能否顺畅运行的关键。 Qwen3.8-27B:部署最顺畅,性能足够 它是三者中最省心的。其 NVFP4 量化版本权重仅需 21-25GB,远低于 DGX Spark 的内存上限。在 DGX Spark 上,使用 SGLang 等引擎可以达到约 23 tok/s 的单流生成速度,这个速度对于交互式分析来说是完全可用的。它有充足的内存余量来维持长上下文,这对于分析大体积的日志、内存镜像或流量包至关重要。 Qwen3.6-35B-A3B:官方优化,适合工具链整合 这款模型在 DGX Spark 上也有官方验证过的部署方案,NVFP4 版本可以正常运行,并支持 262K 的长上下文。它的优势在于激活参数仅 3B,在理论上能提供更快的响应速度。在“美亚杯”的实战分析中,就有选手使用它在 DGX Spark 上搭配智能体(Qiko 3.0)进行代码阅读和线索归纳。如果你的比赛流程高度依赖智能体调用外部取证工具,它是个不错的选择。

注释:这里有个很搞笑的地方,把另一个公众号发的文章已经加入进去了

Qwen3.8-Flash-Next:性能最强,但单机部署门槛极高 这是你需要特别注意的一点。Qwen3.8-Flash-Next 的 NVFP4 检查点大小为 126 GiB,无法完整放入单台 DGX Spark 的 128GB 统一内存中。可行的部署方式非常复杂:

  • 双机集群:需要两台 DGX Spark 通过高速网络组成 TP=2 集群才能比较顺畅地运行。
  • 单机极限操作:在单机上,必须将模型的 N-gram 表文件化卸载到 NVMe SSD 上才能勉强运行,这会引入额外的 I/O 延迟和复杂性。 除非你愿意接受双机方案或进行极限优化,否则在紧张的比赛环境中,Flash-Next 的部署和维护成本可能会成为负担。

    注释:其实目前来看部署交给ai是完全没有问题的,我在之前的文章中也有提到过,而且部署大模型不应该先问下ai哪个好吗,反复试错不是正确的方式

🎯 取证比赛场景的匹配度 在取证比赛中,模型的长上下文能力和对非结构化数据的理解力是关键。

  • Qwen3.8-Flash-Next 在实战中表现惊艳:有选手在“龙信杯”中使用其量化版(IQ3\_S,200K上下文),在物联网固件和流量分析题目上达到了约 80% 的准确率,展现了强大的原始分析潜力。它的性能无疑是顶尖的,但这是以巨大的部署开销为代价的。
  • Qwen3.8-27B 是能力与成本的平衡点:27B 的稠密架构在提供强大推理能力的同时,对硬件的要求远低于 Flash-Next。它拥有完整的多模态能力和长上下文窗口,足以处理取证中常见的日志、代码和部分图像/视频数据。在单机 DGX Spark 上,你能用它获得一个开箱即用、性能可靠的分析引擎,把精力集中在解题上,而非调试部署。
  • Qwen3.6-35B-A3B 是智能体流程的“效率核心”:它的 MoE 架构在效率上有天然优势。在“美亚杯”的技术分析中,它被定位为智能体(Agent)流程中的“大脑”,负责理解代码和文本,然后由智能体去调用具体的取证工具(如 Qiko)。如果你的比赛策略是构建自动化分析流水线,它是一个非常合理的组件。

好的,deepseek给我们推荐了qwen3.8-flash-next和qwen3.8-27b是最佳选择,那么实际上用了什么呢?  一台Spark+35b a3b+Qiko,就能跑出个人赛第一的成绩,我这次也是去线下看了,其他选手的设备有4台dgx的、星睿的、4090的,咋就没跑过我们的参赛选手呢? 因为我的电脑上也只能跑这个模型,所以我对这个模型有深度的了解,总的来说就是个child级别,没有做非常深度的优化基本上无法做到解出题目来  我自己的取证Agent用的qwen3.8 flash next,效果还是很不错的 不过35b a3b可以实现把大多数题目秒掉(个人赛两小时做一百多道啊,平均得一分钟一道),这个能力大多人肯定是不赞同的,这模型也挺老了,对于这一套题目来说是远远不够的,所以包括我在内的大部分人都提出了质疑

然后可以看选手提供的图片,这台电脑我特意让豆包找了一下,您猜怎么着还真找到了  然后问了一下参数,感觉就是个轻薄本  那么问题又来了,我周围打取证的哪一个不是用的游戏本,虽然不跑本地ai但是取证软件垃圾电脑也带不动啊,更别说Qiko了,因为是初创软件,所以目前占用内存还是很离谱的 为了防串我也留个截图,我是Qiko内测用户,提了非常多的建议  印象很深刻,当时打我们学校的精武杯,因为电脑检材实际大小有1个多t,所以加载没多久Qiko直接崩溃了  这个电脑能把检材全部分析出来并挂到Qiko上?骗鬼吧,除非里面进行了改装处理

就这个电脑和这个模型,能做到第一,你让后面带了4台dgx的,带了主机的情何以堪啊(笑)

别告诉我你用的是 Qwen3.6-35B-A3B-FP8-Distill-gpt-Astra-6(笑)

最搞笑的就是这两行,有人懂AI无法操作的幽默感吗,这人甚至PPT自己都没有审查一遍  好的,我们最后看看他怎么说的 q1:用智能体软件就不用下了吗?反而配置环境我觉得真的很麻烦,啥叫思路从这种方式转换了,搞笑吧  q2:gpt-oss-20b是多老的模型了,用这个打取证?我前年比赛就在用了,在取证上真的一窍不通,甚至还想用这个打吗  q3:你不会自己做吗,你知道harness的架构吗,超级取证大师mcp,火眼cli哪个不行,拿这个举例子只能说是一窍不通了  q4:Qiko的上下文真的有点长,但凡自己试一下呢,反而自己做的上下文能压缩到很小  第一篇基本也就这样了,总的来说学到了0样东西,只看到了把台下的选手一个个当沙子看的感觉

最后小说一句,大家可以听一下35:55-36:05这一段的视频,真的很奇怪,每年都有提问环节今年怎么直接消失了?

总结一下

2026年可以说是Agent元年,各个厂商(包括我们自己)为了做出自己的一份Agent都付出了时间、心血乃至Token。美亚公司也是在Agent道路上积极探索,开发了Qiko智能体、超级取证大师MCP等多个Agent方案,同时美亚杯也创立了智能体赛道和公用算力(虽然公用算力基本用不了),可以看出在这一方面的积极探索。

可是,大部分人对于Agent能力的验证都是在这些比赛中完成的,这次比赛给我们看到的就是一个轻薄本配上一个35ba3b的模型在两个小时之内做出了所有题目(没有贬低Qiko的意思但是按照这个配置来说是不合理的,两个小时可是要一分钟一道啊)说的不好听一点,真的是往其他选手头上拉屎,别人好不容易配出来的模型真成了乐子(千问:我怎么越来越烂了?)

美亚杯我也参与了两次,虽然上一次没参加线下赛,被别的比赛耽搁了,但是个人感觉这两年的题目真心出的非常好,很适合一个人慢慢手搓的。可惜这个题目被ai弄来弄去最后还是索了个干净

比如这里pdf下面藏有ai注入提示词,防止ai执行操作(虽然基本上被绕过了)  也不知道后面取证比赛会变成什么样子吧,今年有了ai,题目也梭了,人也不学了,不过好的一点就是大家对于取证比赛的理解更加透彻了,有的设备就不可能两个小时之内跑出所有题目

写到这里已经凌晨三点了,已经有点眼花了,从开幕式到现在真的意难平,个人赛因为配置问题耽搁了一些时间,这部分我都是手搓完成的,基本上最后也没错多少,然而去年垫底的某支队伍今年直接干到第一,也没听说过和其他师傅取经,取证的能力一年提升的这么快我是不太相信( 

最后送给大家ppt里的一句话共勉(吗)  照这么说可能台上那位可能真没有什么底气,不过各位师傅可以看后面几位讲的内容,真的能够学到很多东西

1000粉纪念

另外公众号突破1000粉啦,也是准备了一个小抽奖,后面会继续努力给大家产出高质内容的 关注公众号回复抽奖即可获得抽奖链接,也可以从下面进入 

    【工具学习31】katana:从翻页面到扒JS,把网站里的接口全摸出来 网络安全文章

    【工具学习31】katana:从翻页面到扒JS,把网站里的接口全摸出来

    katana是一款由ProjectDiscovery出品的下一代爬虫/蜘蛛框架,能通过两种模式(标准模式和Headless模式)爬取网站,解析JS以挖掘隐藏接口,并支持接管登录会话进行更深入的爬取,具有精细的范围控制和过滤能力,以及限速机制以避免过载目标网站。它适合渗透侦察工作,但在进行未授权爬取时需遵守相关法律法规。
    Linux的未来可能属于这四个发行版 网络安全文章

    Linux的未来可能属于这四个发行版

    本文探讨了Linux发行版未来的发展趋势,包括NixOS的配置文件管理方式、FedoraAtomic的不可变系统更新、SteamOS在游戏领域的应用以及Debian的基础设施作用,指出Linux未来将走向专业化,针对不同需求打造系统。
    评论:0   参与:  0