Aikido brengt Altar uit voor lokale cybersecurity

Altar, een open-weight cybersecuritymodel van het Belgische Aikido, komt vandaag beschikbaar voor lokale inzet in de eigen infrastructuur, zodat organisaties broncode niet naar een externe AI-dienst hoeven te sturen, meldt Aikido.

Voor een Nederlands developmentteam verschuift daarmee de technische keuze: security-AI hoeft niet per se buiten het eigen netwerk te draaien, maar lokaal gebruik vraagt wel eigen GPU-capaciteit, modelbeheer en controle over updates en logs. De route is vooral relevant voor code, architectuurdocumentatie en kwetsbaarheidsmeldingen die niet naar een externe verwerker mogen.

Euronext publiceert dezelfde dag dat Aikido een open-weight model voor cybersecurity heeft uitgebracht dat lokaal kan draaien, meldt Reuters. Het model wordt volgens dat bericht ook gebruikt in Aikido-oplossingen bij klanten zoals de Belgische bank Belfius.

Van GLM-5.3 naar Altar

Altar is geen nieuw basismodel. Aikido begon met GLM-5.3 van Z.AI en combineerde vier-bits-kwantisatie met het verwijderen van experts uit het model. De opslag daalt volgens Aikido van 1,51 terabyte voor GLM-5.3 in BF16 naar 488 gigabyte voor de gekwantiseerde versie en 328 gigabyte voor Altar. Het model houdt 168 van de oorspronkelijke 256 experts per laag over.

De officiële modelkaart beschrijft Altar als een geprunede GLM-5.3-variant van 328 GB die met vLLM op vier H200’s kan worden geserveerd. De opgegeven contextlengte is 131.072 tokens. Daarmee is lokale inzetbaarheid technisch concreet, maar dit is geen model dat je op een gewone ontwikkellaptop start.

Minder opslag, bijna dezelfde dekking

Aikido testte Altar op een eigen benchmark met 32 bekende kwetsbaarheden in 30 repositories, waarbij iedere case drie keer werd uitgevoerd. Altar haalde gemiddeld 60,4 procent recall per run en vond 23 van de 32 kwetsbaarheden minstens één keer. GLM-5.3 in volle precisie kwam uit op 65,6 procent recall en 25 van de 32.

Vergeleken met de gekwantiseerde GLM-5.3 AWQ-versie verloor Altar ongeveer één procentpunt gemiddelde recall, terwijl het dezelfde 23 kwetsbaarheden afdekte. Tegenover het volledige model behield het 92 procent van de kwetsbaarheidsdekking bij 78,2 procent minder opslag. De test gaat over gerichte herontdekking van bekende CVE’s. Hij meet geen blinde zoektocht door een volledig codebestand, automatische exploitvalidatie of het voorstellen van reparaties.

Dat sluit aan op Aikido’s eerdere benchmark, waarin drie runs met DeepSeek V4 Pro 28 van 32 kwetsbaarheden vonden. De nieuwe release verlegt dezelfde vraag naar de infrastructuur: waar draait het model terwijl het die code onderzoekt?

Open-weight met een concrete licentie

De modelkaart noemt voor Altar een licentie van het type other en zegt dat het model de GLM-5.3-licentie erft. Die licentie geeft brede rechten om de software te gebruiken, aan te passen, te publiceren, te distribueren, te verkopen, te draaien en te finetunen, met behoud van de copyright- en licentietekst.

De GLM-5.3-licentie bevat ook een specifieke voorwaarde voor grote Model-as-a-Service-aanbieders. Als de aanbieder en gelieerde ondernemingen samen meer dan 10 miljard dollar omzet hebben in een periode van twaalf maanden, is vóór commercieel gebruik een veiligheidsreview door Z.AI nodig. Voor de meeste Nederlandse developmentteams is die drempel niet het directe punt, maar de licentie is wel onderdeel van de technische keuze.

Aikido zegt dat Altar direct na de evaluaties in zijn Aikido Machine-vloot is uitgerold en daar kort daarna een kritieke kwetsbaarheid vond tijdens een productietest bij een klant. Dezelfde aankondiging zegt dat Aikido Machine volledig binnen de infrastructuur van een klant kan draaien, ook in een omgeving zonder internetverbinding.

De verschuiving zit daarom niet simpelweg in open tegenover gesloten modellen. Het gaat erom of beveiligingsredenering kan plaatsvinden in dezelfde omgeving als de broncode, met de licentie, GPU-eisen, updateketen en auditlogs als onderdeel van het ontwerp. Voor organisaties met gevoelige code maakt Altar die lokale route tastbaarder, maar de controle blijft afhangen van de hele omgeving rond het model.