可以，至少在唯一一项检验过这一点的已发布测试中是这样。在 2026 年 10 月发布的 Alert-Bench 中，开放权重模型 Qwen3.5 9B 在告警分诊上取得 0.952 的 F1，与 GPT-4.1 在相同的 300 条告警、相同调查协议下的分数一样。协议和模型同样重要：另外四个开放模型得分在 0.098 到 0.777 之间。
对 SOC 分析师来说，这意味 着告警队列的第一轮筛查可以由小模型在您自己的环境中完成，疑难告警再升级给您。本文介绍这项基准测了什么、AI 告警分诊在两个成本维度上每条告警花多少钱，以及哪些决定仍由分析师来做。所有数字均注明日期，并于 2026 年 10 月 30 日在原始来源核对。
什么是 Alert-Bench？
Alert-Bench 是一个 LLM 告警分诊基准，它通过实时 SIEM 回放企业遥测数据，每个系统都必须先自己检索证据，才能关闭或升级一条告警。它由 Saimon Amanuel Tsegai、Alex Kantchelian、Danfeng (Daphne) Yao 和 Peng Gao 构建，于 2026 年 10 月 7 日发布在 arXiv 上。
作者用五种常见方法处理了来自一个多阶段攻击场景的 1,247 条告警，从带工具访问的单次提示，到自我复查和显式验证。每一种方法都漏掉了至少 40.4% 的攻击相关告警。当一次检索没有返回任何记录时，攻击告警更容易被误判为可忽略。
随后他们设计了 AIDA，一个多智能体协议：一个智能体提出判断，第二个智能体在独立的上下文中提出质疑，再由裁判根据证据裁决，每一步都写入只能追加的调查记录。忽略一条告警所需的证据比升级它更严格。使用 GPT-4.1 时，AIDA 在全部 1,247 条告警上取得 0.958 的 F1，把漏报率从 40.4% 降到 3.1%，并把 18.4% 的告警升级给分析师。
9B 模型能像 GPT-4.1 一样做告警分诊吗？
在 Alert-Bench 上可以。作者用五个开放权重模型运行了完整的 AIDA 协议，使用的是一个包含 54 条攻击告警的 300 条告警子集，与 GPT-4.1 消融实验所用的子集相同。
| 模型 | 精确率 | 召回率 | F1 |
|---|---|---|---|
| GPT-4.1（参照） | 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 在这个子集上得到完全相同的混淆矩阵，只是在两条具体告警上判断不同。用论文的话说，仅凭模型规模无法解释排名：在相同协议下，9B 模型胜过了 70B 和 120B 的模型。
这个结果有几点局限值得说明。它来自一个攻击场景和一套 SIEM，子集中只有 54 条攻击告警，模型都没有经过针对该任务的训练，而且 GPT-4.1 是唯一被测试的闭源模型。它证明了小模型在良好的评测环境中能胜任这项工作。它能否胜任您的工作，要用您自己的告警来检验。
AI 告警分诊每条告警要花多少钱？
在前沿模型上，AI 告警分诊每条告警的成本从约 2 美分到约 3 美元不等，取决于调查的深 度。截至 2026 年 10 月已发布的数据如下：
| 方法 | 每条告警成本 | 来源 |
|---|---|---|
| 单次或结构化分诊，GPT-4.1 | 0.016 至 0.107 美元 | Alert-Bench |
| AIDA 协议，GPT-4.1 | 约 0.109 美元 | Alert-Bench |
| 智能体式调查，Claude Sonnet | 1 至 3 美元 | RunReveal |
| 供应商入门档，每次调查 | 约 9 美元 | Dropzone AI，引自 Sekoia |
在 AIDA 下，GPT-4.1 每条告警使用 33,942 个 token 和 4.3 次工具调用，延迟 12.7 秒。RunReveal（2026 年 5 月 28 日）基于 5 万多次调查，估计用 Sonnet 做一次完整的智能体式调查花费 1 到 3 美元，平均每条告警约 2 美元。Sekoia 的 Cyril Simonnet 在 2026 年 10 月 18 日的文章中指出，Dropzone AI 的标价约为每年 36,000 美元，最多 4,000 次调查。
告警量把单价变成了预算。Vectra 估计 2026 年平均每个组 织每天收到 2,992 条安全告警，其中 63% 无人处理。这相当于每年约 109 万条告警。按 AIDA 每条 0.109 美元计算，用 GPT-4.1 分诊全部告警每年约需 11.9 万美元；按每次完整调查 2 美元计算，约需 220 万美元。这是我们根据上述来源做的推算，而且账单会随告警量增长，而告警量更多受攻击者和嘈杂的扫描器影响，SOC 自己难以控制。
训练过的模型如何降低告警分诊成本？
成本从两方面下降：每个 token 的价格低于前沿模型；每条告警用的 token 更少，因为每次 API 调用中重复的指令和协议已经训练进模型本身。
更低的 token 单价。 截至 2026 年 10 月 30 日，OpenAI 对 GPT-4.1 的标价是每百万输入 token 2 美元、每百万输出 token 8 美元。OpenRouter 上 Qwen3.5 9B 的标价是0.17 美元和 0.25 美元。在 300 条告警的子集上，使用 GPT-4.1 的 AIDA 每条告警用了 36,988 个 token。假设 9B 模型用量相同（论文未报告其 token 用量），并且全部按 9B 模型的输出单价计费，每条告警的分诊成本也不到 1 美分，按 Vectra 的平均告警量计算每年约 1 万美元。
每条告警更少的 token。 AIDA 的 token 用量中很大一部分是协议本身：角色指令、调查记录格式和工具定义，每次 API 调用、每条告警都要重新发送一遍。用协议和您团队过去的处置结果训练出的模型，把这些知识带在模型内部，于是每次 API 调用只需发送告警及其证据。能省多少，取决于每个提示中重复内容所占的比例，也取决于您是否已在使用提示缓存（前沿 API 会以输入单价的一小部分对重复上下文计费）。在给出具体数字之前，请先用您自己的流量测量重复部分的占比。
澳大利亚信号局（ASD）从买方角度提出了同样的观点：前沿 AI 会带来成本，包括 token 消耗，各组织应选择与用例需求和价值相称的能力（Opportunities for AI in cyber defence，2026 年 9 月 8 日）。 要计算您自己的数字，可以使用单任务成本计算器，方法详见AI 单任务成本。
哪些决定仍由 SOC 分析师来做？
升级上来的告警、高影响的响应动作，以及 AI 证据不足的任务，仍由分析师决定。即使是 AIDA 也把 18.4% 的告警交给了人工，而这条升级通道正是它漏报率下降的原因之一。
- 遏制与响应。 ASD 的指南建议由 AI 自动完成分诊，并准备预先批准、可撤销的响应动作，而高影响的遏制、中断、恢复或沟通决定需要人工批准。
- 检测工程。 在测试根据威胁情报编写检测规则的 CTI-REALM 上，已发布的最佳奖励是 Claude Opus 4.6 的 0.637。被测的 16 个模型全部来自 Anthropic 或 OpenAI，所以目前还没有开放模型的结果。
- 恶意软件分析和威胁情报推理。 Meta 的 CyberSecEval 4 中的 CyberSOCEval 发现，来自 OpenAI、Google、Anthropic、Meta 和 DeepSeek 的 2025 年模型在恶意软件分析上集中在约 23% 到 34% 之间。截至 2026 年 10 月，我们没有找到已发布的 2026 年结果，无论开放还是闭源。
当前可行的分工是：模型负责第一轮筛查，分析师处理升级的告警。Hugging Face 2026 年 7 月的安全事件最初就是由 AI 辅助检测发现的，基于 LLM 的安全遥测分诊把真实信号从日常噪声中分离出来，随后其响应团队用一个开放模型自行完成了取证分析。
SOC 在采用 AI 分诊前应检查什么？
五项检查可以区分有用的分诊模型和演示品：
- 攻击告警的召回率和漏报率，用您自己标注过的告警来测量。由于大多数告警是良性的，整体准确率会掩盖漏掉的攻击。
- 升级率，因为它决定了分析师的工作量。
- 每条告警的 token 用量和成本，按您的告警量、从两个成本维度计算。
- 告警数据的去向。 ASD 建议向供应商提出的问题是：哪些数据会被保留、复用或用于重新训练模型，条件是什么。
- 评测环境和模型一样重要。 Alert-Bench 显示，同一个模型在不同协议下得分差异很大。
想知道哪些模型能在您自己的硬件上运行，请看网络安全最佳本地 LLM。关于更大的开放模型，请看 GLM-5.3 与 Kimi K3 网络安全基准；按安全任务挑选模型，请看2026 年 10 月网络安全最佳 LLM。
用您自己的安全数据运行这些模型
为您的 SOC 运行 Qwen3.5 9B 或更大的开放模型，部署在我们管理的基础设施上、您自己的云租户中，或您的本地机房。您的告警数据保持私密，使用成本比随告警量增长的按条计费账单更可预测，而且模型在事件发生前就已就位，可以处理真实攻击数据的取证工作。我们托管的模型用于防御工作：告警分诊、威胁情报、恶意软件分析和检测。
用您自己的告警和分析师处置结果训练的模型，效果会超过未经训练的模型，这正是我们的 endpoint 所做的事：新版本在后台用您的流量训练，按您的评估标准打分，只有经过您批准才会上线。该 endpoint 目前仅限受邀使用，我们正在开发一个更简化的版本，以便更广泛地开放。
预约通话，我们会和您一起确定适合团队的模型、规模和部署方式。
常见问题
AI 会取代 SOC 分析师吗？
现有证据表明，AI 承担的是第一轮筛查。在 Alert-Bench 中，最好的协议仍把 18.4% 的告警升级给分析师，ASD 的指南也要求高影响的遏制和响应决定须经人工批准。
什么是 AI 告警 分诊？
AI 告警分诊是用语言模型（通常可以通过工具访问 SIEM）为每条安全告警收集证据，并决定关闭它还是升级给分析师。模型读取告警、查询日志，并记录推理过程供人复核。
AI 告警分诊要花多少钱？
截至 2026 年 10 月，已发布的数据显示，用 GPT-4.1 做结构化分诊每条告警约 0.02 到 0.11 美元，用 Claude Sonnet 做一次完整的智能体式调查约 1 到 3 美元。自托管或训练过的小模型可以同时降低 token 单价和每条告警的 token 用量。
可以在自己的基础设施上运行 AI 告警分诊吗？
可以。在 Alert-Bench 上与 GPT-4.1 打平的开放模型 Qwen3.5 9B，可以运行在您自己的服务器、云租户或物理隔离网络中，告警数据始终留在您的环境里。
来源，均于 2026 年 10 月 30 日查阅：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 定价；OpenRouter，Qwen3.5 9B；澳大利亚信号局，"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）。