최첨단 에이전트 기반 사이버 보안 LLM 모델 TitusLLM-v1 공개
요약
Qwen3.6-35B-A3B MoE 모델을 기반으로 구축된 사이버 보안 특화 에이전트 모델 TitusLLM-v1을 공개합니다. 50만 개 이상의 데이터셋과 LoRA 미세 조정을 통해 SOC 운영 및 탐지 엔지니어링 등 보안 시나리오에 최적화된 성능을 제공합니다.
핵심 포인트
- Qwen3.6-35B-A3B MoE 기반의 사이버 보안 특화 모델
- LoRA를 통한 40억 파라미터 미세 조정 및 에이전트 기반 응답 설계
- LSASS 분석, 피싱 분류, SQL 인젝션 등 보안 실무 최적화
- MLX 4-bit 및 GGUF Q4_0 등 로컬 추론용 모델 제공
여러분, 저의 최첨단 (State-of-Art) 에이전트 기반 (Agentic) 사이버 보안 LLM 모델인 TitusLLM-v1을 소개합니다 🎉 Qwen3.6-35B-A3B MoE LLM을 기반으로, 터키어 분류 체계 (taxonomy) 가중치가 적용된 500,000개 이상의 방대한 데이터셋을 사용하여 사이버 보안에 특화된 모델을 구축했습니다. Multi-Expert 모델 파트 중 거의 4 Billion (40억) 개의 파라미터를 LoRA를 통해 미세 조정 (fine-tuning) 하여 완성했습니다. SOC 운영, DFIR, 탐지 엔지니어링 (detection engineering), 클라우드 보안 (cloud security), AppSec, IAM, GRC 및 퍼플 팀 (purple-team) 시나리오에서 더욱 운영 중심적이고, 문맥에 민감하며, 아티팩트 (artifact) 중심적이고, 무엇보다 에이전트 기반 (Agentic) 응답을 생성할 수 있도록 설계했습니다.
또한, 로컬 추론 (inference)을 위해 MLX 4-bit 및 GGUF Q4_0 변형 모델도 준비했습니다. 벤치마크 결과, 미세 조정된 모델이 특히 다음과 같은 분야에서 베이스 모델 (base model) 대비 매우 강력하고, 컴팩트하며, 운영 가능한 답변을 제공하는 것을 확인했습니다:
- LSASS 텔레메트리 (telemetry) 분석
- 피싱 분류 (Phishing triage) 플레이북
- Kubernetes 대시보드 노출 검토
- PowerShell 인코딩된 명령 분류 (triage)
- Docker 이미지 하드닝 (hardening)
- SQL 인젝션 로그 평가
- IAM 권한 상승 (privilege escalation) 패턴 분석
데이터셋을 준비하면서 특히 사이버 보안 분야의 분류 체계 (taxonomy) 설계, 이중 용도 안전 라벨링 (dual-use safety labeling), 터키어 기술 언어 적응, 그리고 아티팩트 기반 추론 (artifact-grounded reasoning)에 대해 매우 값진 경험을 할 수 있었습니다. 제 Huggingface 계정을 통해 MLX 4-bit 및 GGUF Q4 모델 모두에 접근하실 수 있습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 X @alicankiraz0 (자동 발견)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기