網路安全最佳本地 LLM 取決於任務和您手頭的硬體。截至 2026 年 10 月,Qwen3.5 9B 是告警分診方面最強的小模型,Foundation-Sec-8B-Reasoning 在同等規模中威脅情報知識領先,Qwen 3.6 35B A3B 則是仍可在本地執行、能力最強的代理安全模型。GLM-5.3 和 Kimi K3 綜合領先,但需要叢集。
這是 2026 年 10 月版。下文每個分數都 於 2026 年 10 月 30 日在原始來源核對,並註明測量方。這裡的本地 LLM,指在您掌控的硬體上執行的開放權重模型:您自己的伺服器、您自己的雲租戶,或完全不連網際網路的網路。
網路安全最佳本地 LLM 是哪個?
下表按任務各列一個推薦,並給出支撐該推薦的分數和測量方。
| 模型 | 規模 | 最適合 | 分數(2026 年 10 月) | 測量方 |
|---|---|---|---|---|
| Qwen3.5 9B | 9B | 告警分診 | Alert-Bench F1 0.952 | Alert-Bench 作者 |
| Foundation-Sec-8B-Reasoning | 8B | 威脅情報、CVE 到 CWE 對映 | CTI-RCM 0.753(GPT-5-Nano 0.672) | Cisco,模型卡 |
| Qwen 3.6 35B A3B | 總計 35B,啟用 3B | 代理式漏洞研究 | 完成了 GLM 5.1 未完成的場景 | Dual Use,私有基準 |
| GLM-5.3 | 約 7,500 億 | 綜合能力最強 | 重新計分的 CyberGym 93.5% | Proximal |
| Kimi K3 | 總計 2.8 萬億,啟用 1,040 億 | 綜合能力最強 | 重新計分的 CyberGym 95.6% | Proximal |
三個小模型覆蓋了大部分日常防禦工作。兩個大模型代表開放模型的前沿,也需要前沿級別的硬體。
Qwen3.5 9B 用於告警分診。 在 Alert-Bench(arXiv,2026 年 10 月 7 日)中,Qwen3.5 9B 在透過即時 SIEM 回放的 300 條告警上取得 0.952 的 F1,與 GPT-4.1 在相同告警、相同調查協議下的分數一樣。該模型按釋出版本直接使用,沒有經過訓練。協議和模型同樣重要:同一測試中的另外四個開放模型得分在 0.098 到 0.777 之間。我們在面向 SOC 分析師的 AI 一文中介紹了這項測試和每條告警的成本。
Foundation-Sec-8B-Reasoning 用於威脅情報。 Cisco 的 Foundation AI 團隊基於 Llama 3.1 8B 構建了它,於 2026 年 1 月 28 日釋出。根據其模型卡,它在 CTI-MCQA(一個包含 2,500 道題的網路威脅情報測試)上得分 0.691,GPT-5-Nano 為 0.688;在 CTI-RCM(把漏洞描述對映到 CWE 弱點類別)上得分 0.753,GPT-5-Nano 為 0.672。它的訓練資料截至 2025 年 4 月 10 日,除非您提供上下文,否則它不瞭解更新的漏洞。
Qwen 3.6 35B A3B 用於代理式安全工作。 在一個包含十個真實未公開 Web 漏洞的私有基準中(Dual Use,2026 年 4 月 17 日),作者認為這個模型"可以在本地執行",而且"表現出人意料地好":它完成了一個 GLM 5.1 和 Claude Opus 4.6 都沒有完成的場景。它每個 token 只啟用 350 億引數中的約 30 億,因此就其規模而言執行很快。這個基準出自一位研究者之手,十個場景各執行一次,所以應把它看作一個強訊號,並在您自己的系統上測試。
GLM-5.3 和 Kimi K3 用於最難的工作。 這兩個模型在 CyberGym 上領先其他開放模型,並與最好的閉源模型持平。它們都是混合專家模型,總引數分別約為 7,500 億和 2.8 萬億,所以這裡的"本地"意味著您自己資料中心或雲租戶中的多 GPU 叢集。我們的 GLM-5.3 與 Kimi K3 基準解析說明了各項分數由誰測得。
為什麼要在本地執行網路安全 LLM?
安全資料是大多陣列織最敏感的資料,本地模型讓這些資料留在您的環境中。主要有三個原因。
攻擊資料和憑證留在您的環境中。 Hugging Face 調查其 2026 年 7 月的入侵事件時,最初使用的是商業 API 背後的前沿模型 。這些請求被服務商的安全防護攔截,因為防護無法區分事件響應人員和攻擊者。團隊隨後在自己的基礎設施上用開放權重模型 GLM-5.2 完成取證分析,攻擊者的資料以及其中涉及的憑證都沒有離開他們的環境。
模型在事件發生前就已就緒。 Hugging Face 給防禦方的建議是:在事件發生之前,就在自己的基礎設施上準備好一個經過驗證、能力足夠的模型,既避免被防護機制擋住,也讓攻擊者的資料和憑證不離開您的環境。
您可以回答監管方和審計方的問題。 澳洲訊號局(ASD)在 Opportunities for AI in cyber defence(2026 年 9 月 8 日)中建議各組織詢問每家 AI 供應商:哪些資料會被保留、複用或用於重新訓練模型,條件是什麼。模型執行在您自己的硬體上,答案就掌握在您手裡。同一份指南還要求模型能力與用例的需求和價值相稱,這正是為明確任務選用規模合適模型的理由。
可以在物理隔離網路中執行網路安全 LLM 嗎?
可以。開放權重模型就是一組檔案,權重複製進來之後無需網路連線即可執行:沒有 API 呼叫離開網路,也不需要許可證伺服器響應。上表中的五個模型都可以在物理隔離環境中執行。工作重點轉到維運層面:透過常規的傳輸管控匯入權重更新,記錄權重來源,並在邊界內的硬體上提供服務。ASD 的指南還要求防禦方梳理 AI 訓練和微調的資料來源,評估其出處、留存和投毒風險,這適用於您用自有資料繼續訓練的任何模型。
本地模型能勝任 SOC 工作嗎?
對於在良好評測環境中執行的明確任務,可以,證據最充分的是告警分診。Alert-Bench 顯示一個 9B 模型達到了 GPT-4.1 的水平,作者指出,僅憑模型規模無法解釋排名:在相同協議下,9B 的 Qwen 模型勝過了 70B 和 120B 的模型。真正的工作是把模型和評測環境放在一起選擇。
前沿模型仍在兩類工作上領先:
| 任務 | 最好的已釋出結果 | 開放模型結果 |
|---|---|---|
| 檢測規則工程(CTI-REALM) | Claude Opus 4.6,獎勵 0.637 | 截至 2026 年 10 月尚未釋出 |
| 漏洞利用基準(ExploitBench) | Claude Fable 5,78.0 | GLM-5.3,54.4(Z.ai 自測) |
對這些任務,可以由本地模型起草,再由前沿模型或分析師核查。Microsoft Security AI 的 CTI-REALM 論文評測了 16 個模型,全部來自 Anthropic 和 OpenAI,所以目前還沒有開放模型的結果;請看我們的 CTI-REALM 介紹。
如何為安全團隊選擇本地 LLM?
從任務出發,倒推到模型:
- 明確任務及其衡量方式。 告警分診看攻擊告警的召回率和升級率;CVE 到 CWE 對映看在標註集上的準確率。
- 選擇能達到您標準的最小模型。 先從上面的 8B 和 9B 推薦開始,代理類工作再升級到 35B 模型。
- 用您自己的資料測試。 在相信任何公開數字之前,先用幾百條您自己標註過的告警或報告給它評分。
- 保留升級通道。 把難處理的部分交給分析師或前沿模型,並記錄哪些內容被升級。
- 任務穩定後再訓練。 用您團隊的處置結果訓練的模型,會學會您的告警構成和團隊的判斷;它與通用模型的區別見領域專用 LLM。
關於開放模型與前沿模型的整體比較,請看開放權重模型與前沿模型。關於部署方式的取捨,請看本地部署、自託管與物理隔離 AI 對比。
用您自己的安全資料執行這些模型
為您的安全團隊執行 Qwen3.5 9B、Qwen 3.6 35B A3B、GLM-5.3 或 Kimi K3:部署在您自己的基礎設施中(您的雲租戶或本地機房),或由 Ertas 在我們運營的基礎設施上託管。 您的資料保持私密,使用成本比隨告警量增長的前沿 API 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。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
可以離線執行網路安全 LLM 嗎?
可以。Qwen3.5 9B 和 Foundation-Sec-8B-Reasoning 等開放權重模型,在權重放到您的硬體上之後,無需網際網路連線即可執行。這適合物理隔離網路,也讓告警資料留在您的環境中。
網路安全領域最好的開源 LLM 是哪個?
取決於任務。截至 2026 年 10 月,Kimi K3 和 GLM-5.3 在 CyberGym 上綜合領先,但需要叢集;Qwen3.5 9B 在告警分診上領先於其他小模型。我們的網路安全最佳 LLM 榜單按任務對開放和閉源模型進行排名。
Foundation-Sec-8B 還值得用嗎?
在小模型的威脅情報知識任務上,值得:根據 Cisco 的模型卡,它的推理版本在 CVE 到 CWE 對映上勝過 GPT-5-Nano。它的訓練資料截至 2025 年 4 月,所以請配合檢索最新安全通告一起使用。
本地模型做 SOC 工作需要訓練嗎?
不訓練也能用:Qwen3.5 9B 在沒有訓練的情況下就在 Alert-Bench 上與 GPT-4.1 打平。用您自己標註過的告警進行訓練,可以讓它適應您的告警構成和分析師的判斷,並把每次提示中重複的指令訓練進模型本身。
來源,均於 2026 年 10 月 30 日查閱:Tsegai 等,"From Investigation Failures to Reliable SOC Agents"(Alert-Bench,2026 年 10 月 7 日);Cisco Foundation AI,Foundation-Sec-8B-Reasoning 模型卡;Dual Use,"Benchmarking open-weight models for security research"(2026 年 4 月 17 日);Proximal,"Robustly Evaluating Cyber Capabilities"(2026 年 9 月 30 日);Z.ai,GLM-5.3 模型卡;Moonshot AI,Kimi K3 模型卡;Hugging Face,"Security incident, July 2026"(2026 年 7 月 16 日);澳洲訊號局,"Opportunities for AI in cyber defence"(2026 年 9 月 8 日);Microsoft,"CTI-REALM"(2026 年 3 月)。

