Aikido presenta Altar, una IA de seguridad soberana que reduce 78,2% el tamaño del modelo

Aikido presentó Altar, un modelo de inteligencia artificial de pesos abiertos diseñado para ejecutar tareas de seguridad defensiva dentro de la infraestructura del cliente, incluso en entornos completamente aislados. La compañía afirma que redujo un modelo basado en GLM-5.3 de 1,51 TB a 328 GB y conservó 92% de la cobertura de vulnerabilidades de su referencia original.
***

• Aikido afirma que Altar reduce 78,2% el almacenamiento requerido frente a GLM-5.3 en precisión completa y 32,8% frente a su versión cuantizada AWQ INT4.
• Según las pruebas internas de la compañía, el modelo conserva 168 de los 256 expertos originales y obtuvo 60,4% de recall promedio por ejecución en un benchmark de 32 vulnerabilidades.
• Aikido asegura que Altar identificó posteriormente una vulnerabilidad crítica válida durante un pentest de producción realizado para un cliente.

---

Aikido presenta Altar, IA soberana

Reduce GLM-5.3 de 1,51 TB a 328 GB y conserva el 92% de cobertura, según la empresa.

Opera en entornos air-gapped. Aikido afirma que halló una vulnerabilidad crítica en un pentest. pic.twitter.com/xysavqObxt

— Diario฿itcoin (@DiarioBitcoin) September 21, 2026

Aikido presentó Altar, un modelo de inteligencia artificial de pesos abiertos orientado a la seguridad defensiva y al despliegue de sistemas de IA dentro de la infraestructura del cliente. La propuesta busca que bancos, hospitales, operadores industriales y otras organizaciones puedan investigar vulnerabilidades sin enviar código, documentación ni hallazgos pendientes a servicios externos de inferencia. Según la compañía, el modelo puede operar dentro de la infraestructura del cliente, incluidos entornos completamente aislados de internet, conocidos como air-gapped.

Una IA de seguridad dentro de la infraestructura

La presentación de Altar forma parte del desarrollo de Aikido Machine, un appliance de pentesting autónomo que ejecuta sus operaciones en las instalaciones del cliente. La herramienta está orientada a buscar vulnerabilidades sin enviar el código ni los modelos fuera del entorno controlado por la organización.

El planteamiento responde a una limitación de los modelos frontera cerrados: aunque ofrecen capacidades avanzadas de razonamiento, funcionan sobre infraestructura controlada por un tercero. Para una entidad financiera, un grupo hospitalario o un operador industrial, sacar de la red el código fuente, la arquitectura interna y los hallazgos aún no remediados puede representar un riesgo incompatible con sus políticas de seguridad.

Aikido describe este enfoque como inteligencia de seguridad soberana, porque los defensores mantienen el control tanto de los datos como del entorno donde se ejecutan las investigaciones. La compañía sostiene que Altar proporciona a Aikido Machine una IA avanzada sin transferir el contexto más sensible de una organización a un proveedor externo.

El desafío no consiste únicamente en publicar los pesos de un modelo, sino en hacerlo operativo a escala de producción sin destruir su capacidad de razonamiento. Los modelos más capaces suelen exigir cientos de gigabytes de memoria, y el costo aumenta cuando varios agentes mantienen conversaciones extensas, registros de herramientas y contextos de investigación en paralelo.

La compresión de GLM-5.3

Altar parte de GLM-5.3, un modelo de pesos abiertos de Z.AI que Aikido utilizó como referencia para su sistema de seguridad. De acuerdo con las cifras divulgadas por la compañía, en precisión completa ese modelo ocupa 1.506,7 GB, mientras que una versión cuantizada con AWQ INT4 reduce el almacenamiento requerido a 488,2 GB antes de aplicar técnicas adicionales de compresión.

Aikido afirma que combinó cuantización y poda de expertos para llevar el tamaño final a 328,0 GB. El resultado representa una reducción de 78,2% frente al modelo original en BF16 y de 32,8% frente a la versión de GLM-5.3 cuantizada con AWQ INT4. Estas cifras proceden de las evaluaciones de la empresa y no de un benchmark independiente identificado en la información disponible.

Los modelos de mezcla de expertos contienen numerosas redes neuronales especializadas, aunque solo una parte de ellas se activa para procesar cada token. Sin embargo, el sistema debe almacenar y servir el conjunto completo, por lo que una tarea de ciberseguridad puede cargar expertos que aportan poco a la revisión de código, la propuesta de parches o la ejecución de un pentest.

La poda elimina bloques completos de pesos y ajusta el modelo para que cada token elija entre los expertos restantes. Altar retiene, según Aikido, 168 de los 256 expertos enrutados originales en cada capa y elimina 88, equivalentes al 34,4%. La compañía también señala que el sistema conserva el mecanismo que selecciona ocho expertos por token, aunque ahora desde un banco más pequeño.

Cómo eligieron los expertos

La selección de los expertos descartados fue más compleja que reducir mecánicamente el número de componentes. Aikido señaló que un modelo comprimido puede conservar un buen rendimiento de programación y, al mismo tiempo, perder capacidad para comprender un idioma o interpretar documentación, reglas de negocio y flujos de trabajo de una aplicación.

Para orientar la poda, la empresa utilizó trazas de su harness interno de pentesting ejecutando benchmarks propios. Esas trazas incluían código, llamadas a herramientas y respuestas producidas durante investigaciones completas. Aikido indicó que ningún dato de clientes intervino en el proceso.

La compañía también incorporó texto multilingüe para preservar la comprensión necesaria en aplicaciones cuya documentación o interfaz puede estar en francés, neerlandés u otros idiomas. La decisión reconoce que la identificación de una vulnerabilidad no depende solamente de leer código, sino también de entender qué debería hacer una aplicación y cuáles son sus reglas de negocio.

Aikido eligió Cerebras REAP, sigla de Router-weighted Expert Activation Pruning, para calcular la contribución de los expertos. Cerebras describe REAP como un método que utiliza la activación ponderada por el router para podar expertos en modelos de mezcla de expertos. En el caso de Altar, Aikido lo aplicó junto con sus propias trazas y criterios de evaluación.

Resultados en vulnerabilidades conocidas

Para medir el impacto de la compresión, Aikido utilizó un benchmark interno de CVE compuesto por 32 vulnerabilidades conocidas en 30 repositorios, con tres ejecuciones por caso. El estudio evaluó la capacidad de identificar vulnerabilidades complejas del mundo real mediante su harness de AI Code Analysis, en lugar de medir el descubrimiento completamente ciego sobre una base de código desconocida.

Según los resultados divulgados por la compañía, Altar obtuvo un recall promedio de 60,4% por ejecución y redescubrió 23 de las 32 vulnerabilidades al menos una vez durante las tres ejecuciones. La versión GLM-5.3 AWQ alcanzó 61,5% de recall promedio y también cubrió 23 vulnerabilidades, mientras que el modelo original en precisión completa llegó a 65,6% y cubrió 25 de 32.

La comparación sugiere que reducir de 488 GB a 328 GB los pesos almacenados tuvo un costo cercano a un punto porcentual frente a la línea base AWQ, sin disminuir la cobertura total de vulnerabilidades identificadas por esa versión. Frente al modelo original, Aikido calcula que Altar retuvo 23 de las 25 vulnerabilidades cubiertas, equivalente a 92% de esa cobertura, con una caída de 5,2 puntos porcentuales en el recall promedio.

Aikido distinguió entre el recall promedio por ejecución y la cobertura acumulada durante tres intentos, porque encontrar una vulnerabilidad una sola vez no equivale a detectarla de forma consistente. Las ejecuciones completadas sin hallazgos se contabilizaron como fallos, mientras que las incompletas se reportaron por separado para evitar mezclarlas con los resultados terminados.

Límites y próximos pasos

El benchmark no midió el descubrimiento a ciegas en una base de código completa, ni ejecutó exploits para validar los hallazgos, ni evaluó la propuesta de correcciones. Aikido indicó que la prueba se concentró en el redescubrimiento dirigido de CVE dentro de un pipeline que utiliza otros modelos para las etapas circundantes, por lo que sus resultados no representan por sí solos todo el flujo de un pentest.

Después de completar las evaluaciones, la empresa desplegó Altar en su flota de Aikido Machine. Poco tiempo después, según Aikido, el modelo identificó una vulnerabilidad válida de severidad crítica durante un pentest de producción realizado para un cliente. La compañía presentó el episodio como evidencia operativa adicional, aunque no publicó detalles técnicos del hallazgo.

Aikido explora ahora formatos con menos bits, como EXL3, que podrían permitir conservar más expertos, además de optimizaciones de servicio para hardware H200. De acuerdo con sus instrucciones de despliegue, el modelo puede ejecutarse usando un nodo de cuatro H200 y una versión reciente de vLLM.

El siguiente paso será avanzar desde la compresión hacia el entrenamiento especializado, con ajustes para flujos de seguridad, mejor uso de herramientas y razonamiento de largo plazo. Aikido Labs también planea construir un pipeline de autoaprendizaje guiado por sus benchmarks internos, con aplicaciones previstas en investigación de vulnerabilidades, análisis de código, remediación y otras tareas defensivas.

Altar se ofrece bajo la organización de Aikido junto con una ficha de modelo, licencia, parámetros de servicio e instrucciones de despliegue. El proyecto se apoya en GLM-5.3 de Z.AI y en REAP de Cerebras, mientras que Aikido mantiene como objetivo que los defensores puedan ejecutar sus modelos dentro de los entornos que deben proteger.

---

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.nEste artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.