可以，至少在唯一一項檢驗過這一點的已釋出測試中是這樣。在 2026 年 10 月釋出的 Alert-Bench 中，開放權重模型 Qwen3.5 9B 在告警分診上取得 0.952 的 F1，與 GPT-4.1 在相同的 300 條告警、相同調查協議下的分數一樣。協議和模型同樣重要：另外四個開放模型得分在 0.098 到 0.777 之間。
對 SOC 分析師來說，這意味 著告警佇列的第一輪篩查可以由小模型在您自己的環境中完成，疑難告警再升級給您。本文介紹這項基準測了什麼、AI 告警分診在兩個成本維度上每條告警花多少錢，以及哪些決定仍由分析師來做。所有數字均註明日期，並於 2026 年 10 月 30 日在原始來源核對。
什麼是 Alert-Bench？
Alert-Bench 是一個 LLM 告警分診基準，它透過即時 SIEM 回放企業遙測資料，每個系統都必須先自己檢索證據，才能關閉或升級一條告警。它由 Saimon Amanuel Tsegai、Alex Kantchelian、Danfeng (Daphne) Yao 和 Peng Gao 構建，於 2026 年 10 月 7 日釋出在 arXiv 上。
作者用五種常見方法處理了來自一個多階段攻擊場景的 1,247 條告警，從帶工具存取的單次提示，到自我複查和顯式驗證。每一種方法都漏掉了至少 40.4% 的攻擊相關告警。當一次檢索沒有返回任何記錄時，攻擊告警更容易被誤判為可忽略。
隨後他們設計了 AIDA，一個多代理協議：一個代理提出判斷，第二個代理在獨立的上下文中提出質疑，再由裁判根據證據裁決，每一步都寫入只能追加的調查記錄。忽略一條告警所需的證據比升級它更嚴格。使用 GPT-4.1 時，AIDA 在全部 1,247 條告警上取得 0.958 的 F1，把漏報率從 40.4% 降到 3.1%，並把 18.4% 的告警升級給分析師。
9B 模型能像 GPT-4.1 一樣做告警分診嗎？
在 Alert-Bench 上可以。作者用五個開放權重模型執行了完整的 AIDA 協議，使用的是一個包含 54 條攻擊告警的 300 條告警子集，與 GPT-4.1 消融實驗所用的子集相同。
| 模型 | 精確率 | 召回率 | F1 |
|---|---|---|---|
| GPT-4.1（參照） | 0.980 | 0.926 | 0.952 |
| Qwen3.5 9B | 0.980 | 0.926 | 0.952 |
| Gemma4 31B | 0.635 | 1.000 | 0.777 |
| GPT-OSS 120B | 0.868 | 0.611 | 0.717 |
| Llama 3.1 70B | 0.578 | 0.759 | 0.656 |
| Llama 3.1 8B | 0.104 | 0.093 | 0.098 |
Qwen3.5 9B 和 GPT-4.1 在這個子集上得到完全相同的混淆矩陣，只是在兩條具體告警上判斷不同。用論文的話說，僅憑模型規模無法解釋排名：在相同協議下，9B 模型勝過了 70B 和 120B 的模型。
這個結果有幾點侷限值得說明。它來自一個攻擊場景和一套 SIEM，子集中只有 54 條攻擊告警，模型都沒有經過針對該任務的訓練，而且 GPT-4.1 是唯一被測試的閉源模型。它證明了小模型在良好的評測環境中能勝任這項工作。它能否勝任您的工作，要用您自己的告警來檢驗。
AI 告警分診每條告警要花多少錢？
在前沿模型上，AI 告警分診每條告警的成本從約 2 美分到約 3 美元不等，取決於調查的深度。截 至 2026 年 10 月已釋出的資料如下：
| 方法 | 每條告警成本 | 來源 |
|---|---|---|
| 單次或結構化分診，GPT-4.1 | 0.016 至 0.107 美元 | Alert-Bench |
| AIDA 協議，GPT-4.1 | 約 0.109 美元 | Alert-Bench |
| 代理式調查，Claude Sonnet | 1 至 3 美元 | RunReveal |
| 供應商入門檔，每次調查 | 約 9 美元 | Dropzone AI，引自 Sekoia |
在 AIDA 下，GPT-4.1 每條告警使用 33,942 個 token 和 4.3 次工具呼叫，延遲 12.7 秒。RunReveal（2026 年 5 月 28 日）基於 5 萬多次調查，估計用 Sonnet 做一次完整的代理式調查花費 1 到 3 美元，平均每條告警約 2 美元。Sekoia 的 Cyril Simonnet 在 2026 年 10 月 18 日的文章中指出，Dropzone AI 的標價約為每年 36,000 美元，最多 4,000 次調查。
告警量把單價變成了預算。Vectra 估計 2026 年平均每個組織每天收到 2,992 條安全告警，其中 63% 無人處理。這相當於每年約 109 萬條告警。按 AIDA 每條 0.109 美元計算，用 GPT-4.1 分診全部告警每年約需 11.9 萬美元；按每次完整調查 2 美元計算，約需 220 萬美元。這是我們根據上述來源做的推算，而且帳單會隨告警量增長，而告警量更多受攻擊者和嘈雜的掃描器影響，SOC 自己難以控制。
訓練過的模型如何降低告警分診成本？
成本從兩方面下降：每個 token 的價格低於前沿模型；每條告警用的 token 更少，因為每次 API 呼叫中重複的指令和協議已經訓練進模型本身。
更低的 token 單價。 截至 2026 年 10 月 30 日，OpenAI 對 GPT-4.1 的標價是每百萬輸入 token 2 美元、每百萬輸出 token 8 美元。OpenRouter 上 Qwen3.5 9B 的標價是0.17 美元和 0.25 美元。在 300 條告警的子集上，使用 GPT-4.1 的 AIDA 每條告警用了 36,988 個 token。假設 9B 模型用量相同（論文未報告其 token 用量），並且全部按 9B 模型的輸出單價計費，每條告警的分診成本也不到 1 美分，按 Vectra 的平均告警量計算每年約 1 萬美元。
每條告警更少的 token。 AIDA 的 token 用量中很大一部分是協議本身：角色指令、調查記錄格式和工具定義，每次 API 呼叫、每條告警都要重新傳送一遍。用協議和您團隊過去的處置結果訓練出的模型，把這些知識帶在模型內部，於是每次 API 呼叫只需傳送告警及其證據。能省多少，取決於每個提示中重複內容所佔的比例，也取決於您是否已在使用提示快取（前沿 API 會以輸入單價的一小部分對重複上下文計費）。在給出具體數字之前，請先用您自己的流量測量重複部分的佔比。
澳洲訊號局（ASD）從買方角度提出了同樣的觀點：前沿 AI 會帶來成本，包括 token 消耗，各組織應選擇與用例需求和價值相稱的能力（Opportunities for AI in cyber defence，2026 年 9 月 8 日）。要計算您自己的數字，可以使用單任務成本計算器，方法詳見AI 單任務成本。
哪些決定仍由 SOC 分析師來做？
升級上來的告警、高影響的響應動作，以及 AI 證據不足的任務，仍由分析師決定。即使是 AIDA 也把 18.4% 的告警交給了人工，而這條升級通道正是它漏報率下降的原因之一。
- 遏制與響應。 ASD 的指南建議由 AI 自動完成分診，並準備預先批准、可撤銷的響應動作，而高影響的遏制、中斷、恢復或溝通決定需要人工批准。
- 檢測工程。 在測試根據威脅情報編寫檢測規則的 CTI-REALM 上，已釋出的最佳獎勵是 Claude Opus 4.6 的 0.637。被測的 16 個模型全部來自 Anthropic 或 OpenAI，所以目前還沒有開放模型的結果。
- 惡意軟體分析和威脅情報推理。 Meta 的 CyberSecEval 4 中的 CyberSOCEval 發現，來自 OpenAI、Google、Anthropic、Meta 和 DeepSeek 的 2025 年模型在惡意軟體分析上集中在約 23% 到 34% 之間。截至 2026 年 10 月，我們沒有找到已釋出的 2026 年結果，無論開放還是閉源。
當前可行的分工是：模型負責第一輪篩查，分析師處理升級的告警。Hugging Face 2026 年 7 月的安全事件最初就是由 AI 輔助檢測發現的，基於 LLM 的安全遙測分診把真實訊號從日常雜訊中分離出來，隨後其響應團隊用一個開放模型自行完成了取證分析。
SOC 在採用 AI 分診前應檢查什麼？
五項檢查可以區分有用的分診模型和演示品：
- 攻擊告警的召回率和漏報率，用您自己標註過的告警來測量。由於大多數告警是良性的，整體準確率會掩蓋漏掉的攻擊。
- 升級率，因為它決定了分析師的工作量。
- 每條告警的 token 用量和成本，按您的告警量、從兩個成本維度計算。
- 告警資料的去向。 ASD 建議向供應商提出的問題是：哪些資料會被保留、複用或用於重新訓練模型，條件是什麼。
- 評測環境和模型一樣重要。 Alert-Bench 顯示，同一個模型在不同協議下得分差異很大。
想知道哪些模型能在您自己的硬體上執行，請看網路安全最佳本地 LLM。關於更大的開放模型，請看 GLM-5.3 與 Kimi K3 網路安全基準；按安全任務挑選模型，請看2026 年 10 月網路安全最佳 LLM。
用您自己的安全資料執行這些模型
為您的 SOC 執行 Qwen3.5 9B 或更大的開放模型，部署在我們管理的基礎設施上、您自己的雲租戶中，或您的本地機房。您的告警資料保持私密，使用成本比隨告警量增長的按條計費帳單更可預測，而且模型在事件發生前就已就位，可以處理真實攻擊資料的取證工作。我們託管的模型用於防禦工作：告警分診、威脅情報、惡意軟體分析和檢測。
用您自己的告警和分析師處置結果訓練的模型，效果會超過未經訓練的模型，這正是我們的 endpoint 所做的事：新版本在後臺用您的流量訓練，按您的評估標準評分，只有經過您批准才會上線。該 endpoint 目前僅限受邀使用，我們正在開發一個更簡化的版本，以便更廣泛地開放。
預約通話，我們會和您一起確定適合團隊的模型、規模和部署方式。
常見問題
AI 會取代 SOC 分析師嗎？
現有證據表明，AI 承擔的是第一輪篩查。在 Alert-Bench 中，最好的協議仍把 18.4% 的告警升級給分析師，ASD 的指南也要求高影響的遏制和響應決定須經人工批准。
什麼是 AI 告警分診？
AI 告警分診是用語言模型（通常可以透過工具存取 SIEM）為每條安全告警收集證據，並決定關閉它還是升級給分析師。模型讀取告警、查詢日誌，並記錄推理過程供人複核。
AI 告警分診要花多少錢？
截至 2026 年 10 月，已釋出的資料顯示，用 GPT-4.1 做結構化分診每條告警約 0.02 到 0.11 美元，用 Claude Sonnet 做一次完整的代理式調查約 1 到 3 美元。自託管或訓練過的小模型可以同時降低 token 單價和每條告警的 token 用量。
可以在自己的基礎設施上執行 AI 告警分診嗎？
可以。在 Alert-Bench 上與 GPT-4.1 打平的開放模型 Qwen3.5 9B，可以執行在您自己的伺服器、雲租戶或物理隔離網路中，告警資料始終留在您的環境裡。
來源，均於 2026 年 10 月 30 日查閱：Tsegai、Kantchelian、Yao 和 Gao，"From Investigation Failures to Reliable SOC Agents: Understanding and Improving LLM-Based Alert Triage"（Alert-Bench，2026 年 10 月 7 日）；RunReveal，"AI SOC investigation cost"（2026 年 5 月 28 日）；Cyril Simonnet，"220 AI SOCs, sixteen prices"（2026 年 10 月 18 日）；Vectra AI，"Alert fatigue"；OpenAI API 定價；OpenRouter，Qwen3.5 9B；澳洲訊號局，"Opportunities for AI in cyber defence"（2026 年 9 月 8 日）；Chakraborty 等，"CTI-REALM"（2026 年 3 月）；Deason 等，"CyberSOCEval"（2025 年）；Hugging Face，"Security incident, July 2026"（2026 年 7 月 16 日）。